तारांकन + UniMRCP + VoiceNavigator। भाषण संश्लेषण और Asterisk में मान्यता। भाग २

भाग 1
भाग ३
भाग ४

पिछले लेख में काम की सामान्य योजना का वर्णन किया गया था, UniMRCP, Asterisk को VoiceNavigator से जोड़ा गया और एक सरल ध्वनि अनुप्रयोग बनाया।
आइए हम संश्लेषण और मान्यता की संभावनाओं पर अधिक विस्तार से ध्यान दें। लेख का पहला भाग SSML मार्कअप भाषा के लिए समर्पित होगा, दूसरा - व्याकरण के निर्माण के लिए।

SSML मार्कअप भाषा का उपयोग करना

भाषाई और ध्वनिक स्तर पर भाषण संश्लेषण का प्रबंधन, SSML प्रारूप में नियंत्रण टैग का उपयोग करता है।
टैग का उपयोग करके, आप उच्चारण का निर्धारण कर सकते हैं, ध्वनि की तीव्रता, गति और मात्रा को नियंत्रित कर सकते हैं, आदि।
मैं केवल सबसे अधिक उपयोग किए जाने वाले टैग का वर्णन करूंगा।
सभी टैग पर विस्तृत जानकारी मानक के विवरण में प्राप्त की जा सकती है।

आवाज का टैग

आपको आवाज बदलने की अनुमति देता है।
आज VoiceNavigator में 5 वोट हैं: मारिया, अन्ना, लिडा, अलेक्जेंडर, व्लादिमीर।
एक उदाहरण:

 <voice name=\"8000\">  .</voice> 

कहते हैं-टैग के रूप में

परिभाषित करता है कि टैग में संलग्न अभिव्यक्ति को कैसे पढ़ें।

 <say-as   >  </say-as> 

टैग का सूचना भाग फॉर्म की एक सूची है:
टैग गुण = "गुण मान"
एक शब्द पर एक से अधिक टैग नहीं हो सकते। कहने के रूप में टैग का निषेध निषिद्ध है।

तनाव विशेषता

स्वर की संख्या को सेट करता है जिस पर शब्द पर मुख्य तनाव डाला जाता है।
संख्या को शब्द के स्वर के अनुसार माना जाता है, जिसकी शुरुआत 1 से होती है।
प्रारूप:

 <say-as stress=" ">  </say-as> 

यदि विशेषता मान शब्द में स्वरों की संख्या से मेल नहीं खाता है, तो विशेषता होगी
यह नजरअंदाज कर दिया।
एक उदाहरण:

 <say-as stress="2">  </say-as> 

शब्द "ko <mpas" के बजाय, "कंप्यूटर <s" शब्द संसाधित किया जाएगा।

व्याख्या-जैसा गुण

"दिनांक" का मान
ग्रेगोरियन शैली में दिनांक मान सेट करता है। टैग के अंदर का पाठ सीमांकित संख्यात्मक क्षेत्रों के रूप में निर्दिष्ट किया गया है। सीमांकक एक अवधि, एक हाइफ़न, एक बृहदान्त्र या एक स्लेश हो सकता है। इस स्थिति में, प्रारूप विशेषता की उपस्थिति आवश्यक है, जिसका मूल्य निम्न पंक्तियों में से एक है:
"Mdy" - महीना, दिन, वर्ष; "ym" - वर्ष, महीना
"दिन" - दिन, महीना, वर्ष; "मेरा" - महीना, वर्ष
"यमद" - वर्ष, महीना दिन "म" - महीना "
"एमडी" - महीना, दिन; "डी" - दिन
"Dm" - दिन, महीना; "y" - वर्ष
उदाहरण:

 <say-as interpret-as="date" format=\"dy\"> 3/02 </say-as> 

- "मार्च दो हजार और दो"

 <say-as interpret-as="date" format=\"mdy\"> 3/6/02 </say-as> 

- "मार्च छठे दो हजार और दो"

समय मान
समय मान सेट करता है। टैग के अंदर का पाठ अनुक्रम के साथ या बिना विभाजक के रूप में संख्यात्मक क्षेत्रों के रूप में सेट किया गया है: घंटे, मिनट, सेकंड। सीमांकक एक अवधि, एक हाइफ़न, एक बृहदान्त्र या एक स्लेश हो सकता है।
उदाहरण:

  <say-as interpret-as=\"time\">2230</say-as> 

- "बाईस के बाद"

  <say-as interpret-as=\"time\"> 9:21:30 </say-as> 

<say-as interpret-as=\"time\"> 9:21:30 </say-as> - "यह नौ बजे इक्कीस मिनट तीस सेकंड"

"टेलीफोन" का अर्थ
किसी दिए गए शब्द या शब्दों के समूह को संख्या या फोन नंबर के रूप में पढ़ता है। शब्द फ़ोन नंबर में एक प्लस चिह्न और कोष्ठक हो सकते हैं। संख्या नाममात्र मामले में एक मात्रात्मक अंक के रूप में पढ़ती है। इस स्थिति में, संख्या को दो- और तीन-अंकीय संख्याओं में विभाजित किया जाता है। गैर-संख्यात्मक शब्द जो टैग के दायरे में आते हैं, सामान्य तरीके से संसाधित होते हैं।
एक उदाहरण:

 <say-as interpret-as=\"telephone\"> +7 (812) 1234567  2345</say-as> 

"वर्ण" का मान
किसी दिए गए शब्द या शब्दों के समूह को अक्षर द्वारा पढ़ना। इस मामले में, अक्षरों को वर्णमाला के रूप में पढ़ा जाता है, संख्याओं में अंक, नाममात्र मामले में मात्रात्मक के रूप में, विशेष वर्ण और विराम चिह्नों को संबंधित शब्दों से बदल दिया जाता है। अपरकेस और लोअरकेस अक्षर प्रतिष्ठित नहीं हैं।
एक उदाहरण:

 <say-as interpret-as=\”characters\”> 2a24-B!Z?#7X </say-as> 

- "दो और दो चार हाइफ़न द्वि विस्मयादिबोधक बिंदु z-x प्रश्न चिह्न जाली सात x"

टैग तोड़ना

किसी दी गई अवधि या प्रकार का एक विराम जोड़ें।
विशेषताएं:
शक्ति - एक ठहराव की "अभिव्यक्ति"। मान्य मूल्य "कोई नहीं", "एक्स-कमजोर", "कमजोर", "मध्यम" (डिफ़ॉल्ट), "मजबूत", "एक्स-मजबूत" हैं।
समय - मिलीसेकेंड में विराम की अवधि।
ताकत और समय की विशेषताओं को एक ही समय में निर्दिष्ट किया जा सकता है, जबकि ताकत केवल घुसपैठ को प्रभावित करती है, और समय ठहराव की अवधि को प्रभावित करता है।
लंबाई में 3.6 सेकंड का ठहराव स्थापित करने का एक उदाहरण:

    . <break time=\"3600\"/>   ? 

भोग का टैग

आपको भाषण की टोन, गति और मात्रा को नियंत्रित करने की अनुमति देता है।
विशेषताएँ (सभी वैकल्पिक)
पिच टोन का औसत मूल्य है।
अनुमत मान: 0.5 से 2 तक।
दर - भाषण की गति। अनुमत मान: सापेक्ष परिवर्तन या मानों में से एक "x-slow", "slow", "medium", "fast", "x-fast", "default"।
मात्रा - आयतन। अनुमत मान: सापेक्ष परिवर्तन या "मौन", "x- सॉफ्ट", "सॉफ्ट", "मध्यम", "लाउड", "x- लाउड", "डिफ़ॉल्ट" में से एक मान।
एक उदाहरण:

 <prosody volume=\"25\" rate=\"x-slow\">  !</prosody> 

फोनमे टैग

टैग फोनेम ट्रांसक्रिप्शन प्रदान करता है
विशेषताएं:
ph - प्रतिलेखन, आवश्यक विशेषता;
वर्णमाला - ध्वनियों को परिभाषित करने के लिए प्रयुक्त वर्णमाला। VoiceNavigator IPA वर्णमाला का समर्थन करता है ।
एक उदाहरण:

 <phoneme alphabet="ipa" ph="   IPA (    )"> 

SRGS व्याकरण का निर्माण

SRGS (वाक् पहचान व्याकरण विनिर्देश) एक W3C मानक है जो वाक् पहचान में प्रयुक्त व्याकरण की संरचना का वर्णन करता है। SRGS आपको उन शब्दों या वाक्यांशों को निर्दिष्ट करने की अनुमति देता है जिन्हें भाषण इंजन द्वारा पहचाना जा सकता है।

SGRS व्याकरण की मूल संरचना नीचे दी गई है:

 <?xml version="1.0" encoding="UTF-8"?> <grammar version="1.0" xmlns="http://www.w3.org/2001/06/grammar" mode="voice" xml:lang="ru-RU" root="velo"> <rule id="velo">  </rule> </grammar> 

संपूर्ण SGRS दस्तावेज़ व्याकरण टैग में वर्णित है।
व्याकरण में नियम टैग में वर्णित भाषण मान्यता नियम शामिल हैं और प्रत्येक नियम में आईडी विशेषता द्वारा निर्दिष्ट व्याकरण के भीतर एक अद्वितीय नाम है। जिस नियम से व्याकरण में मान्यता शुरू होती है, वह व्याकरण टैग में मूल विशेषता द्वारा निर्धारित होता है।

वैकल्पिक उच्चारण

वैकल्पिक विकल्प आपको दिए गए सेट से एक शब्द को पहचानने की अनुमति देते हैं।
विकल्प एक और आइटम टैग द्वारा निर्दिष्ट किए जाते हैं।
उदाहरण के लिए:

 <?xml version="1.0" encoding="UTF-8"?> <grammar version="1.0" xmlns="http://www.w3.org/2001/06/grammar" mode="voice" xml:lang="ru-RU" root="velo"> <rule id="velo"> <one-of> <item></item> <item></item> <item></item> </one-of>  </rule> </grammar> 

यह "विस्तारित" व्याकरण आपको उच्चारण पहचानने की अनुमति देता है: "लाल बाइक", "हरी बाइक" या "नीली बाइक"।
आइटम तत्व में कोई भी टैग हो सकता है जो शब्द अनुक्रम या एक- तत्व सहित SGRS व्याकरण नियम का वर्णन करता है।
व्याकरण के एक अधिक पूर्ण संस्करण में प्रत्येक वैकल्पिक शाखा में वजन हो सकता है।
मान्यता। आइटम तत्व के वजन टैग का उपयोग करके वजन निर्धारित किया जाता है।

subrule

नियमों में अन्य नियमों के लिंक शामिल हो सकते हैं। अन्य नियमों के संदर्भ रूलेरेफ़ तत्व द्वारा निर्धारित किए जाते हैं और व्याकरण के विभिन्न स्थानों में एक ही नियम का उपयोग करने के लिए उपयोग किया जाता है।
निम्नलिखित उदाहरण में, एक अलग उप-नियम में बाइक के रंग का चयन करें:

 <?xml version="1.0" encoding="UTF-8"?> <grammar version="1.0" xmlns="http://www.w3.org/2001/06/grammar" mode="voice" xml:lang="ru-RU" root="velo"> <rule id="velo"> <ruleref uri=”#color”/>  </rule> <rule id="color"> <one-of> <item weight="50”></item> <item></item> <item></item> </one-of> </rule> </grammar> 

विशेष नियम

SGRS व्याकरण के विशेष नियम हैं जिनके लिए नाम आरक्षित हैं: NULL और GARBAGE ।
विशेष नियम नियम तत्व के विशेष गुण द्वारा परिभाषित किए गए हैं।
यदि उपयोगकर्ता ने कुछ नहीं कहा है तो NULL नियम अपने आप चालू हो जाता है।
गेराज नियम ("औसत भाषण" मॉडल का उपयोग करके) आपको तथाकथित "खुले व्याकरण" बनाने की अनुमति देता है। यानी व्याकरण और "कचरा" शब्दों से अंतर करें।
उदाहरण के लिए:

 <?xml version="1.0" encoding="UTF-8"?> <grammar version="1.0" xmlns="http://www.w3.org/2001/06/grammar" mode="voice" xml:lang="ru-RU" root="velo"> <rule id="velo"> <ruleref special =”GARBAGE”/>  <ruleref special =”GARBAGE”/>  </rule> </grammar> 

आप कह सकते हैं कि "मुझे एक माउंटेन रेड बाइक चाहिए" और मान्यता के परिणामस्वरूप सिस्टम "माउंटेन बाइक" लौटाएगा।

VoiceNavigator व्याकरण विश्लेषक भी अपने स्वयं के नियम का समर्थन करता है ! SYLLABLES , जो भाषण के "शब्दांश मॉडल" को लागू करता है।
कई मामलों में पाठ्यक्रम मॉडल का उपयोग झूठे सकारात्मक की संभावना को कम करने और बिना उच्चारण व्याकरण उच्चारण, "कचरा" को काटने की विश्वसनीयता में लाभ हासिल करना संभव बनाता है।

शब्दार्थ व्याख्या

सिमेंटिक व्याख्या एक ऐसा तंत्र है जो आपको किसी मान्यता प्राप्त शब्द के लिए एक मूल्य निर्धारित करने की अनुमति देता है, जिसे तब एक आवाज अनुप्रयोग के तर्क में उपयोग किया जा सकता है।
उदाहरण के लिए: आप "हाँ", "अच्छा" या "सहमत" कह सकते हैं, लेकिन इन शब्दों का शब्दार्थ परिणाम समान है।
SGRS व्याकरण में, शब्दार्थ को टैग तत्व द्वारा परिभाषित किया गया है। इस तत्व की सामग्री प्रकार व्याकरण तत्व के टैग-प्रारूप विशेषता द्वारा निर्दिष्ट है। भाषण मान्यता विनिर्देश के लिए शब्दार्थ व्याख्या, टैग-प्रारूप विशेषता के लिए मानक मूल्यों को परिभाषित करती है: शब्दार्थ / 1.0-शब्द और शब्दार्थ / 1.0।
टाइप शब्दार्थ / 1.0-लीटर के एक टैग तत्व के लिए वाक्य रचना एक साधारण स्ट्रिंग है।
शब्दार्थ / 1.0 प्रकार एक अधिक शक्तिशाली स्क्रिप्टिंग भाषा उपकरण है। इस स्थिति में, टैग तत्व में ECMAScript भाषा कोड होता है।
एक उदाहरण:

 <?xml version="1.0" encoding="utf-8"?> <!-- / --> <grammar xml:lang="ru-RU" root="da-net" mode="voice" version="1.0" xmlns="http://www.w3.org/2001/06/grammar" tag-format="semantics/1.0-literals"> <rule id="da-net"> <one-of> <item><tag>yes</tag></item> <item><tag>yes</tag></item> <item><tag>yes</tag></item> <item><tag>yes</tag></item> <item><tag>yes</tag></item> <item><tag>no</tag></item> <item><tag>no</tag></item> <item><tag>no</tag></item> <item> <tag>no</tag></item> <item><tag>back</tag></item> </one-of> </rule> </grammar> 

यह मुख्य सैद्धांतिक भाग को पूरा करता है। मुझे आशा है कि यह बहुत थकाऊ नहीं होगा। अगले भाग में मैं कुछ व्यावहारिक मामलों पर विचार करूंगा और दिखाऊंगा कि कैसे आवाज मेनू बनाते समय संश्लेषण और मान्यता जीवन को आसान बनाते हैं।