Rozpoznávání řeči

Rozpoznávání řeči
Popisek	Vizualizace zvukové vlny mluveného slova, která je vstupem pro systémy rozpoznávání řeči.
Název	Rozpoznávání řeči
První systémy	50. léta 20. století (Bell Labs Audrey)
Hlavní využití	Hlasoví asistenti, diktování textu, přepis nahrávek, ovládání zařízení hlasem, automatizovaná call centra
Anglický název	Automatic Speech Recognition (ASR), Speech-to-Text (STT)
Princip	Převod akustického signálu (mluveného slova) na digitální textovou reprezentaci.
Klíčové technologie	Skrytý Markovův model (HMM), Gaussovský smíšený model (GMM), Hluboké neuronové sítě (DNN), Rekurentní neuronová síť (RNN), Transformery
Oblast	Umělá inteligence, Zpracování přirozeného jazyka, Počítačová lingvistika

Rozbalit box

Obsah boxu

Rozpoznávání řeči, známé také pod anglickou zkratkou ASR (Automatic Speech Recognition) nebo jako převod řeči na text (Speech-to-Text, STT), je interdisciplinární obor počítačové lingvistiky a umělé inteligence (AI), který se zabývá vývojem technologií a metod umožňujících počítačům a dalším zařízením rozpoznávat a převádět mluvené slovo do psané textové podoby. Cílem je vytvořit systémy, které dokáží porozumět lidské řeči a reagovat na ni, což je klíčové pro moderní interakce člověka s počítačem. Technologie je základem pro hlasové asistenty jako Siri, Google Assistant a Amazon Alexa.

📜 Historie

Vývoj rozpoznávání řeči je úzce spjat s pokroky ve výpočetní technice, strojovém učení a dostupnosti velkých datových sad.

🏛️ Počátky (1950–1970)

První pokusy o rozpoznávání řeči se datují do 50. let 20. století. V roce 1952 představily Bellovy laboratoře systém nazvaný "Audrey", který dokázal rozpoznat izolovaně vyslovené číslice od jednoho mluvčího. V roce 1962 uvedla společnost IBM na světové výstavě systém "Shoebox", který rozuměl 16 anglickým slovům a jednoduchým matematickým příkazům. Tyto rané systémy byly velmi omezené, závislé na konkrétním mluvčím a schopné rozpoznávat pouze jednotlivá slova s pauzami mezi nimi.

📈 Vliv agentury DARPA a statistické metody (1970–1990)

V 70. letech začala americká vládní agentura DARPA financovat rozsáhlý výzkumný program v oblasti porozumění řeči. Výsledkem byl například systém "Harpy" na Carnegie Mellon University, který v roce 1976 dokázal porozumět více než 1000 slovům. Během tohoto období došlo k zásadnímu posunu od jednoduchého porovnávání šablon k statistickým přístupům, především k využití Skrytých Markovových modelů (HMM). HMM umožnily modelovat časovou proměnlivost řeči a staly se dominantní technologií na několik následujících desetiletí.

💻 Komerční nástup a plynulá řeč (1990–2010)

S nárůstem výpočetního výkonu se v 90. letech objevily první komerčně úspěšné produkty, jako byl například software Dragon Dictate. Tyto systémy již zvládaly rozpoznávání plynulé řeči s velkým slovníkem, ale často vyžadovaly, aby je uživatel nejprve "natrénoval" na svůj hlas (tzv. systémy závislé na mluvčím). Přesnost se postupně zlepšovala, ale stále byla citlivá na hluk v pozadí a různé akcenty.

🧠 Revoluce hlubokého učení (2010–současnost)

Po roce 2010 nastala revoluce díky nasazení hlubokého učení a neuronových sítí. Nahrazení starších statistických modelů (jako GMM-HMM) hlubokými neuronovými sítěmi (DNN), rekurentními neuronovými sítěmi (RNN) a později architekturami jako Transformery vedlo ke skokovému zlepšení přesnosti. Díky obrovským datovým sadám od společností jako Google, Apple a Amazon se systémy staly nezávislými na mluvčím a robustními vůči reálným podmínkám. To umožnilo masové rozšíření hlasových asistentů, diktování v mobilních telefonech a automatického titulkování videí.

⚙️ Jak to funguje

Proces rozpoznávání řeči lze rozdělit do několika základních kroků:

1. Zpracování signálu: Mikrofon zachytí zvuk jako analogovou vlnu. Ta je následně digitalizována pomocí vzorkování a kvantizace, čímž vznikne digitální reprezentace zvuku. V této fázi se také často aplikují techniky pro odstranění šumu a normalizaci hlasitosti.

2. Extrakce příznaků: Digitální signál je rozdělen na krátké, překrývající se rámce (typicky 20-30 ms). Z každého rámce jsou extrahovány klíčové akustické vlastnosti (příznaky), které charakterizují obsah řeči a potlačují nepodstatné informace (např. základní tón hlasu). Historicky nejpoužívanějšími příznaky jsou tzv. Mel-frekvenční kepstrální koeficienty (MFCC).

3. Akustický model: Toto je jádro systému. Akustický model přijímá sekvenci příznaků a jeho úkolem je určit pravděpodobnost, že daný úsek zvuku odpovídá určité základní jednotce řeči, jako je foném (např. /a/, /k/, /t/).

   *   Tradiční přístup: Kombinace Gaussovských smíšených modelů (GMM) a Skrytých Markovových modelů (HMM).
   *   Moderní přístup: Hluboké neuronové sítě (DNN, RNN, LSTM), které se učí mapovat akustické příznaky na fonémy přímo z obrovského množství dat.

4. Jazykový model: Jazykový model dodává systému kontext. Obsahuje statistické informace o tom, jaká slova a slovní spojení jsou v daném jazyce pravděpodobná. Pomáhá rozhodnout mezi foneticky podobnými slovy (např. "led" a "let") na základě kontextu věty. Typicky se používají n-gramové modely nebo pokročilejší neuronové jazykové modely.

5. Dekodér (Hledání): Dekodér kombinuje výstupy z akustického a jazykového modelu a prohledává obrovský prostor možných slovních sekvencí, aby našel tu nejpravděpodobnější, která odpovídá původnímu mluvenému projevu. K tomuto účelu se používají efektivní algoritmy, jako je Viterbiho algoritmus.

📊 Typy systémů

Systémy pro rozpoznávání řeči lze dělit podle několika kritérií:

Podle velikosti slovníku:

   *   Systémy s malým slovníkem: Rozpoznávají jen několik desítek slov (např. číslice, příkazy "ano"/"ne"). Jsou velmi přesné a výpočetně nenáročné.
   *   Systémy s velkým slovníkem: Zvládají desítky až stovky tisíc slov a jsou určené pro obecné diktování.

Podle závislosti na mluvčím:

   *   **Závislé na mluvčím (Speaker-dependent): Vyžadují, aby je uživatel nejprve natrénoval na svém hlase. Dosahují vysoké přesnosti pro daného uživatele.
   *   **Nezávislé na mluvčím (Speaker-independent): Jsou navrženy tak, aby fungovaly pro jakéhokoli mluvčího bez předchozího tréninku. Toto je standard pro většinu moderních aplikací.

Podle plynulosti řeči:

   *   **Rozpoznávání izolovaných slov: Uživatel musí mezi každým slovem udělat krátkou pauzu. Používá se u starších nebo velmi jednoduchých systémů.
   *   **Rozpoznávání plynulé řeči: Systém dokáže zpracovat přirozeně plynulou řeč, což je dnes standard.

💡 Aplikace a využití

Rozpoznávání řeči proniklo do mnoha oblastí každodenního života:

Hlasoví asistenti: Siri od Apple, Google Assistant, Amazon Alexa a Microsoft Cortana umožňují ovládat zařízení, vyhledávat informace a spravovat úkoly pomocí hlasu.
Diktování a přepis: Software pro převod mluveného slova na text v textových procesorech, e-mailových klientech nebo specializovaných aplikacích pro lékařství, právo či žurnalistiku.
Ovládání zařízení: Hlasové ovládání v automobilech (Android Auto, Apple CarPlay), chytrých domácnostech (Smart Home) a nositelné elektronice.
Automatizovaná call centra (IVR): Systémy, které umožňují zákazníkům komunikovat s firmou pomocí hlasových příkazů namísto mačkání tlačítek.
Překlad v reálném čase: Aplikace jako Google Translate nebo Skype dokáží simultánně překládat konverzaci mezi dvěma lidmi mluvícími různými jazyky.
Automatické titulkování: Platformy jako YouTube automaticky generují titulky k videím, což zvyšuje jejich dostupnost.
Asistivní technologie: Pomůcky pro osoby s tělesným postižením, které jim umožňují ovládat počítač nebo komunikovat s okolím.
Hlasová biometrie: Identifikace a ověřování osob na základě jedinečných charakteristik jejich hlasu pro bezpečnostní účely.

🚧 Výzvy a omezení

I přes obrovský pokrok čelí rozpoznávání řeči stále několika výzvám:

Hluk v pozadí: Oddělit lidskou řeč od okolního hluku (hudba, další mluvčí, hluk ulice) je stále obtížné. Tento problém je znám jako "problém koktejlové párty".
Akcenty, dialekty a individuální rozdíly: Systémy trénované na standardním jazyce mohou mít problémy s porozuměním mluvčím se silným regionálním akcentem, vadami řeči nebo neobvyklým tempem mluvy.
Neformální a spontánní řeč: Lidé v běžné konverzaci často používají slang, výplňková slova ("ehm", "prostě"), přeřeknutí a gramaticky neúplné věty, což systémům ztěžuje analýzu.
Homofony: Rozlišení slov, která znějí stejně, ale mají jiný význam a pravopis (např. v angličtině "write" a "right"), vyžaduje pokročilé porozumění kontextu.
Soukromí a bezpečnost: Zpracování hlasových dat, zejména v cloudu, vyvolává obavy o ochranu osobních údajů a možnost zneužití.
Identifikace mluvčího: V konverzaci více lidí je náročné správně přiřadit jednotlivé promluvy konkrétním mluvčím (tzv. diarizace).

🔮 Budoucnost

Budoucí vývoj se zaměřuje na překonání stávajících omezení a integraci do dalších oblastí:

End-to-End modely: Moderní architektury, jako jsou Transformery, umožňují vytvářet jednotné modely, které převádějí zvukový signál přímo na text bez nutnosti explicitního rozdělení na akustický a jazykový model.
Lepší porozumění kontextu: Systémy budou lépe chápat širší kontext konverzace, což jim umožní lépe řešit nejednoznačnosti a efektivněji reagovat.
Učení s menším množstvím dat: Výzkum se soustředí na techniky, které umožní trénovat kvalitní modely pro jazyky nebo dialekty, pro které nejsou k dispozici obrovské datové sady (tzv. few-shot nebo zero-shot learning).
Zpracování na zařízení (On-Device): Přesun výpočtů z cloudu přímo na koncové zařízení (mobilní telefon, chytré hodinky) zvýší rychlost odezvy a posílí soukromí uživatelů.
Multimodální systémy: Kombinace rozpoznávání řeči s dalšími vstupy, jako je analýza obrazu (např. odezírání ze rtů), může dramaticky zvýšit přesnost v hlučném prostředí.

🧑‍🏫 Pro laiky

Představte si, že učíte počítač poslouchat a zapisovat to, co slyší, podobně jako člověk. Tento proces má dva hlavní kroky:

1. Poslouchání zvuků: Počítač nejprve rozloží mluvené slovo na základní "zvukové cihličky" (odborně fonémy). Tomuto kroku pomáhá tzv. akustický model, který je jako ucho počítače. Naučil se z milionů hodin nahrávek, jak zní jednotlivé hlásky v různých kontextech.

2. Skládání slov a vět: Poté, co počítač identifikuje možné hlásky, musí z nich poskládat smysluplná slova a věty. K tomu používá jazykový model, což je v podstatě obrovská "chytrá příručka gramatiky a slovní zásoby". Tento model ví, která slova se v jazyce vyskytují a jaká je pravděpodobnost, že po slově "dám si" bude následovat "zmrzlinu" spíše než "židli".

Když tedy řeknete "Dám si zmrzlinu", akustický model rozpozná zvukové stopy a jazykový model potvrdí, že tato věta dává v češtině smysl. Díky kombinaci těchto dvou modelů dokáže počítač s vysokou přesností převést vaši řeč na text.

⏰ Tento článek je aktuální k datu 29.12.2025