Sesi tanımaya hazırlamak: gürültü azaltma, yankı kontrolü ve ses algılama
Konuşma tanımadan önce sese ne olur: otomatik kazanç kontrolü, gürültü azaltma, yankı giderme, ses etkinliği algılama ve spektrogramlar; ve daha temiz sesin neden her zaman daha iyi olmadığı.
Kısaca
Tanımadan önce ses dengelenebilir, yankı ve gürültüden arındırılabilir ve konuşma içeren kısımlara kırpılabilir. Bu adımların her birinin belirli bir işi vardır; hiçbiri kelimeleri anlamaz ve hiçbiri zorunlu değildir. Fazla güçlü bir gürültü azaltma işleri kötüleştirebilir bile, çünkü kelimeleri birbirinden ayıran zayıf ünsüzleri siler.
Söylediğin
merhaba tolga faturayı ekte gönderiyorum rakamlar tutuyor mu haber ver
SayVelio'nun yazdığı
Merhaba Tolga,
faturayı ekte gönderiyorum. Rakamlar tutuyor mu, haber ver.
Sinyal işleme konuşma tanıma değildir
Sinyal işleme dille değil sesle çalışır. Sesi yükseltebilir, alçaltabilir ya da netleştirebilir, nerede başlayıp bittiğine karar verebilir ama hangi kelimeleri söylediğine asla karar vermez. Bu, konuşma tanıma nasıl çalışır yazısında anlatılan tanıma modelinin işidir.
Bir uygulamanın hangi adımları kullandığı duruma bağlıdır. Bir aramada yankı giderme gerekir, çünkü karşı tarafın sesi hoparlöründen çıkar. Hiçbir şey çalmayan bir dikte uygulamasının buna hiç ihtiyacı olmayabilir.
Dört araç, dört iş
| Araç | Ne yapar | Ne yapamaz |
|---|---|---|
| Otomatik kazanç kontrolü | Kayıt seviyesini yükseltir ya da düşürür | Hiç iyi yakalanmamış bir sesi kurtarmak |
| Gürültü azaltma | Fan ya da trafik gibi sürekli gürültüleri bastırır | Aynı anda konuşan iki kişiyi ayırmak |
| Yankı giderme | Hoparlöründen mikrofona geri giren sesi çıkarır | Hiçbir şey çalmıyorken yardımcı olmak |
| Ses etkinliği algılama | Hangi anlarda ses olduğunu tahmin eder | Ne söylendiğini bilmek |
Yankı giderme en hedefli olanıdır. Cihazının ne çaldığını tam olarak bilir, çünkü bir referans kopyası alır, ve mikrofonun yeniden yakaladığı kısmı çıkarır. Gürültü azaltma ise neyin gürültü olduğunu tahmin etmek zorundadır.
Ses etkinliği algılama: konuşmayı bulmak
Bir ses etkinliği algılayıcısı (VAD) kısa ses parçalarını, çoğu zaman 10 ila 30 milisaniyelik, inceler ve her birinin konuşma içerme olasılığını tahmin eder. En basit sürüm yalnızca ses yüksekliğine bakar, ama çarpan bir kapı eşiği aşar, alçak bir ses ise altında kalabilir. Daha iyi algılayıcılar her parça için bir konuşma olasılığı tahmin eder, yakın konuşma bölgelerini birleştirir ve kelime olamayacak kadar kısa olanları atar.

Algılama, sessizliği atlamak ve bir cümleyi bitirdiğini anlamak için kullanılır. SayVelio'daki gibi "basılı tut ve konuş" yönteminde kaydın başını ve sonunu sen belirlersin: kayıt tam olarak dikte tuşunu basılı tuttuğun süre kadar sürer.
Daha temiz neden her zaman daha iyi değildir
Daha çok gürültü atmanın hep yardımcı olacağını düşünmek kolay. Öyle değil. "s", "f", "t" ve "ş" gibi ünsüzler zayıf, gürültüye benzeyen seslerdir ve agresif bir gürültü azaltma onları arka planla birlikte inceltebilir. İnsan kulağına ses daha temiz gelir, ama tanıma "beş" ile "eş"i ayıran ipuçlarını kaybetmiştir.
Modern modeller çok miktarda gerçek ve gürültülü konuşmayla eğitilir, bu yüzden çoğu zaman ağır işlenmiş sesle değil orijinal sesle daha iyi iş çıkarır. İyi bir işleme naziktir ve yalnızca kulakla değil gerçek diktelerle test edilir.
Spektrogramlar: makine sesi nasıl görür
Birçok tanıma sistemi dalga biçimini doğrudan kullanmaz. Ses boyunca kısa bir pencere (genellikle 20–30 ms) kaydırır ve her birinde hangi frekansların olduğunu ölçer. Sonuç bir spektrogramdır: yatayda zaman, dikeyde perde, parlaklık olarak enerji gösteren bir görüntü.

Spektrogram bir döküm değildir. Bir modelin konuşma sesleriyle ilişkilendirmeyi öğrendiği ses örüntülerini gösterir. Pencere boyutu bir ödünleşimdir: kısa pencereler zamanlamayı, uzun pencereler perdeyi iyi gösterir. Bazı yeni modeller bu adımı atlar ve doğrudan örneklerden öğrenir.
Senin yapabileceklerin
- En sessiz yerde dikte et. İyi bir işleme bile yanında konuşan bir iş arkadaşını silemez: onun sesi de konuşmadır.
- Dikte ederken müziği ve videoları kıs.
- Mikrofona sabit bir mesafede dur, böylece seviye sabit kalır. Daha fazla ipucu iyi dikte etme yazısında.
Sorular
Daha iyi ses kalitesi her zaman daha iyi metin mi verir?
Her zaman değil. En çok iyi seviyede net bir ses yardımcı olur. Ağır gürültü azaltma, bozulma ya da yanlış ses biçimi tanımanın ihtiyaç duyduğu ayrıntıları silebilir; modelin eğitimi, dili ve kelime dağarcığı da önemlidir.
Gürültülü bir kafede dikte edebilir miyim?
Çoğu zaman evet, özellikle ağzına yakın bir kulaklık mikrofonuyla. Kahve makinesi gibi sürekli bir gürültüyle başa çıkmak yakındaki başka seslerden daha kolaydır.


