آٽوميٽڪ اسپيچ ريڪگنيشن ٽيڪنالاجي اتي ڪافي عرصي کان موجود آهي پر تازو ئي ان جي استعمال کان پوءِ اهميت حاصل ڪئي وئي آهي مختلف اسمارٽ فون ايپليڪيشنن جهڙوڪ سري ۽ ايڪسا ۾. اهي AI تي ٻڌل اسمارٽ فون ايپليڪيشنون اسان سڀني لاءِ روزمره جي ڪمن کي آسان ڪرڻ ۾ ASR جي طاقت کي واضح ڪيون آهن.
گذريل ڏهاڪي ۾، ڪمرشل ASR سسٽم ڪيترن ئي صارفين جي شين ۽ خدمتن ۾ هڪ اهم جزو بڻجي چڪا آهن، جنهن ۾ Amazon، Google، ۽ Apple جهڙيون ڪمپنيون پنهنجي پيشڪش ۾ جديد تقرير جي سڃاڻپ کي ضم ڪرڻ ۾ اڳواڻي ڪري رهيون آهن.
اضافي طور تي، جيئن مختلف صنعتن جي عمودي خودڪار طريقي سان اڳتي وڌندي آهي، ASR جي بنيادي ضرورتن جي تابع آهي. ان ڪري، اچو ته سمجھون ته ھن لاجواب تقرير جي سڃاڻپ واري ٽيڪنالاجيءَ ۾ گہرائي ۽ ڇو ان کي سمجھيو وڃي ٿو مستقبل لاءِ سڀ کان اهم ٽيڪنالاجي.
ASR ٽيڪنالاجي جي مختصر تاريخ
اڳتي وڌڻ کان اڳ ۽ آٽوميٽڪ اسپيچ ريڪگنيشن جي صلاحيت کي ڳولڻ، اچو ته پھريون ان جي ارتقا تي نظر وجهون.
| فيصلي ۾ | ASR جو ارتقا |
|---|---|
| 1950s | تقرير جي سڃاڻپ ٽيڪنالاجي پهريون ڀيرو 1950s ۾ بيل ليبارٽريز پاران متعارف ڪرايو ويو. بيل ليبز هڪ ورچوئل اسپيچ سڃاڻڻ وارو ٺاهيو جيڪو ’آڊري‘ جي نالي سان سڃاتو وڃي ٿو جيڪو 1-9 جي وچ ۾ نمبرن کي سڃاڻي سگهي ٿو جڏهن هڪ آواز سان ڳالهايو وڃي. |
| 1960s | 1952 ۾، IBM پنهنجو پهريون آواز سڃاڻڻ وارو نظام، 'Shoebox' شروع ڪيو. Shoebox سولائيءَ سان ڳالهائي ويندڙ انگريزي لفظن جي وچ ۾ سمجھي ۽ فرق ڪري سگھي ٿو. |
| 1970s | ڪارنيگي ميلن يونيورسٽي 1976 ۾ هڪ ’هارپي‘ سسٽم تيار ڪيو جيڪو 1000 کان وڌيڪ لفظن کي سڃاڻي سگهي ٿو. |
| 1990s | لڳ ڀڳ 40 سالن جي ڊگهي انتظار کان پوءِ، بيل ٽيڪنالاجيز ٻيهر صنعت کي پنهنجي ڊائل-ان انٽرايڪٽو آواز جي سڃاڻپ واري نظام سان پيش ڪيو جيڪو انساني تقرير کي ترتيب ڏئي سگهي ٿو. |
| 2000s | هي ASR ٽيڪنالاجي لاءِ هڪ تبديلي وارو دور هو جيئن وڏي ٽيڪنالاجي ديو گوگل اسپيچ ريڪگنيشن ٽيڪنالاجي تي ڪم ڪرڻ شروع ڪيو. انهن تقريبن 80٪ جي درستگي جي شرح سان ترقي يافته تقرير سافٽ ويئر ٺاهي، ان کي سڄي دنيا ۾ مشهور ڪيو. |
| 2010s | گذريل ڏهاڪي ASR لاءِ سونهري دور بڻجي وئي، ايمازون ۽ ايپل پنهنجو پهريون ڀيرو AI تي ٻڌل اسپيچ سافٽ ويئر لانچ ڪيو، Alexa ۽ Siri. |
20 صدي جي آخر ۾ تقرير جي سڃاڻپ جي تحقيق لڪيل مارڪوف ماڊلز جي ترقي ۽ وڏي پيماني تي اپنائڻ جو سبب بڻي، جيڪي ڪيترن ئي شروعاتي ASR سسٽم جي ريڙهه بڻجي ويا.
2010 کان اڳتي وڌي رهيو آهي، ASR تمام گهڻو ترقي ڪري رهيو آهي ۽ وڌيڪ ۽ وڌيڪ عام ۽ صحيح ٿي رهيو آهي. اڄ، Amazon، گوگل، ۽ ايپل ASR ٽيڪنالاجي ۾ سڀ کان وڌيڪ نمايان اڳواڻ آهن.
[پڻ پڙهو: ڳالهه ٻولهه واري AI لاءِ مڪمل گائيڊ ]
آواز جي سڃاڻپ ڪيئن ڪم ڪندو آهي؟
خودڪار تقرير جي سڃاڻپ هڪ انتهائي ترقي يافته ٽيڪنالاجي آهي جنهن کي ڊزائين ڪرڻ ۽ ترقي ڪرڻ انتهائي مشڪل آهي. دنيا ۾ هزارين ٻوليون آهن جن ۾ مختلف لهجن ۽ تلفظ آهن، تنهنڪري اهو سافٽ ويئر تيار ڪرڻ مشڪل آهي جيڪو اهو سڀ سمجهي سگهي.
ASR پنهنجي ترقي لاءِ قدرتي ٻولي پروسيسنگ ۽ مشين لرننگ جا تصور استعمال ڪري ٿو. سافٽ ويئر ۾ ڪيترن ئي ٻولين جي سکيا واري ميڪانيزم کي شامل ڪرڻ سان، ڊولپرز تقرير جي سڃاڻپ واري سافٽ ويئر جي درستگي ۽ ڪارڪردگي کي يقيني بڻائي ٿو.
خودڪار اسپيچ ريڪگنيشن (ASR) هڪ پيچيده ٽيڪنالاجي آهي جيڪا ڳالهائيندڙ ٻولي کي متن ۾ تبديل ڪرڻ لاءِ ڪيترن ئي اهم عملن تي ڀاڙي ٿي. هڪ اعلي سطح تي، مکيه قدم شامل آهن:
- آڊيو ڪيپچر: هڪ مائڪروفون صارف جي تقرير کي پڪڙي ٿو ۽ صوتي لهرن کي برقي سگنل ۾ تبديل ڪري ٿو.
- آڊيو پري پروسيسنگ: اليڪٽريڪل سگنل پوءِ ڊجيٽل ڪيو ويندو آهي ۽ مختلف پري پروسيسنگ مرحلن مان گذري ٿو، جهڙوڪ شور جي گھٽتائي، آڊيو ان پٽ جي معيار کي وڌائڻ لاءِ.
- خاصيت ڪڍڻ: ڊجيٽل آڊيو صوتي خصوصيتن کي ڪڍڻ لاءِ تجزيو ڪيو ويو آهي، جهڙوڪ پچ، توانائي، ۽ چشمي جي کوٽائي، جيڪي مختلف تقرير جي آوازن جي خصوصيت آهن.
- صوتي ماڊلنگ: ڪڍيل خاصيتون اڳ-تربيت ٿيل صوتي ماڊلز جي مقابلي ۾ آهن، جيڪي آڊيو خاصيتن کي انفرادي تقرير جي آوازن يا فونيمز سان نقشي ۾ آڻيندا آهن.
- ٻولي ماڊلنگ: سڃاتل فونيمز وري لفظن ۽ جملن ۾ گڏ ڪيا ويندا آهن انگن اکرن جي ٻوليءَ جا ماڊل استعمال ڪندي جيڪي اڳڪٿي ڪن ٿا سڀ کان وڌيڪ امڪاني لفظ جي ترتيبن جي بنياد تي.
- ڊيڪوڊنگ: آخري قدم ۾ سڀ کان وڌيڪ امڪاني لفظ جي ترتيب کي ڊيڪوڊنگ ڪرڻ شامل آهي جيڪو ان پٽ آڊيو سان ملندو آهي، ٻنهي صوتي ۽ ٻوليءَ جي ماڊل کي نظر ۾ رکندي.
اهي بنيادي جزا گڏجي ڪم ڪن ٿا انتهائي درست تقرير کان متن جي تبادلي کي فعال ڪرڻ لاءِ، جيتوڻيڪ پس منظر جي شور، تلفظ، ۽ متنوع لفظن جي موجودگي ۾.
[پڻ پڙهو: مٿيان 4 تقرير جي سڃاڻپ جا چئلينج ۽ حل ]
ASR جا حقيقي دنيا جا مثال
خودڪار تقرير جي سڃاڻپ هڪ لاجواب ٽيڪنالاجي آهي جيڪا اڄ وڏي پيماني تي مشهور ۽ قيمتي ٿي چڪي آهي. ان جي اعلي اهميت آهي ڇو ته اهو صارفين کي هٿ کان آزاد ڪنٽرول استعمال ڪندي ڪيترن ئي ڪمن کي تيزيء سان مڪمل ڪرڻ جي قابل بڻائي ٿو.
ورچوئل اسسٽنٽ ۽ سمارٽ ڊوائيسز: ASR ورچوئل اسسٽنٽ جهڙوڪ سري، Alexa، ۽ گوگل اسسٽنٽ جو هڪ بنيادي جزو آهي، جيڪو مختلف قسم جي سمارٽ گهر ڊوائيسز ۽ آن لائن خدمتن سان هٿ کان آزاد ڪنٽرول ۽ رابطي کي فعال بڻائي ٿو. وائس سرچ، ۽ وائس ڪنٽرول ڊوائيسز صارف اليڪٽرانڪس ۾ ASR ٽيڪنالاجي جي سڀ کان عام ايپليڪيشنن مان آهن، جيڪي صارفين کي اسپيڪ ڪمانڊ ذريعي اسپيڪ ٿيل ڪمانڊ ذريعي اسپيڪ ٿيل گهر گيجٽ ۽ ٻين ڊوائيسز سان رابطو ڪرڻ جي اجازت ڏين ٿا. سڀ کان وڌيڪ مشهور پراڊڪٽس جيڪي اسپيچ ريڪگنيشن ٽيڪنالاجي استعمال ڪن ٿا اهي آهن:
- گوگل مددگار 2016 ۾ ترقي ڪئي وئي، گوگل اسسٽنٽ اڄڪلهه بهترين چيٽ تي ٻڌل سافٽ ويئر آهي، جنهن ۾ يو ايس انگريزيءَ ۾ 95٪ کان وڌيڪ جي درستگي جي شرح آهي. مجموعي طور تي، اهو سڄي دنيا ۾ سوين لکين ماڻهن طرفان استعمال ڪيو ويندو آهي.
- ايپل سري: سري 30 کان وڌيڪ ملڪن ۽ عالمي سطح تي 21 ٻولين ۾ ASR جي دستيابي جو شاندار مثال آهي. سري پهريون چيٽ-بنياد سسٽم آهي جنهن ۾ تقرير کان ٽيڪسٽ ٽيڪنالاجي جي استعمال ۾ انقلاب آندو ويو آهي.
- ايم ڪيو ايم ايڪسا: Alexa اڄ هڪ گهريلو نالو ۽ ڊوائيس بڻجي چڪو آهي، اندازي مطابق استعمال ڪندڙ جي ڳڻپ سڄي دنيا ۾ 100 ملين کان وڌيڪ ماڻهن سان.
اسپيچ ريڪگنيشن ٽيڪنالاجي لاءِ ڪيس استعمال ڪريو
چيٽ تي ٻڌل سافٽ ويئر ۾ ASR ٽيڪنالاجي استعمال ڪرڻ کان علاوه، هن غير معمولي ٽيڪنالاجي جا ٻيا به استعمال جا ڪيس آهن. خودڪار تقرير جي سڃاڻپ جو استعمال صنعتن ۽ روزاني زندگي جي وسيع رينج کي پکڙيل آهي، ڪسٽمر سروس آٽوميشن کان وٺي هٿ کان آزاد گاڏين جي ڪنٽرول ۽ رسائي جي اوزارن تائين. هتي انهن مان ڪجھ آهن:
خودڪشي ۽ ٽرانسپورٽ
ASR کي گاڏين جي انفوٽينمينٽ سسٽم ۾ ضم ڪيو ويو آهي، جيڪو ڊرائيورن کي مختلف ڪمن تي ڪنٽرول ڪرڻ جي اجازت ڏئي ٿو، جهڙوڪ ميوزڪ پلے بیک، نيويگيشن، ۽ موسمي ڪنٽرول، آواز جي حڪمن کي استعمال ڪندي، حفاظت ۽ سهولت کي بهتر ڪرڻ.
صحت جي سنڀال ۽ ميڊيڪل ٽرانسپشن
ASR صحت جي سار سنڀار جي صنعت کي تبديل ڪري رهيو آهي ڊاڪٽرن کي نوٽس ۽ رڪارڊ کي وڌيڪ موثر طريقي سان ترتيب ڏيڻ، دستاويزي عمل کي منظم ڪرڻ ۽ انتظامي اوور هيڊ کي گهٽائڻ.
ڪال سينٽر ۽ ڪسٽمر سپورٽ
ASR وڏي پيماني تي ڪال سينٽرن ۾ استعمال ڪيو ويندو آهي ڪسٽمر جي رابطي جي ٽرانسپشن کي خودڪار ڪرڻ، ايجنٽ جي پيداوار کي بهتر ڪرڻ، ۽ مجموعي ڪسٽمر تجربو کي وڌائڻ لاء.
ٻولي سکڻ
ASR ٽيڪنالاجي تلفظ ۽ ڳالهائڻ واري ٻولي جي صلاحيتن تي حقيقي وقت جي راءِ فراهم ڪندي ٻولي سکيا ۾ انقلاب آڻي ڇڏيو آهي. اهو سکندڙن کي انهن جي ڳالهائڻ جي نمونن کي بهتر ڪرڻ، فوري طور تي سڌارا حاصل ڪرڻ، ۽ انهن جي روانگي کي وڌيڪ موثر انداز ۾ بهتر بنائڻ جي قابل بڻائي ٿو.
ٻڌڻ جي معذور لاء رسائي
ASR ٽيڪنالاجي ڊجيٽل مواد ٺاهڻ ۾ اهم ڪردار ادا ڪري ٿي ۽ تجربن کي معذور ماڻهن لاءِ وڌيڪ رسائي لائق بڻائي ٿي، جيئن ٻڌڻ لاءِ حقيقي وقت ڪيپشن مهيا ڪرڻ يا انهن لاءِ آواز ڪنٽرول کي فعال ڪرڻ جيڪي محدود متحرڪ آهن.
وائيس بايوميٽرڪس ۽ سيڪيورٽي
هڪ فرد جي آواز جي منفرد خصوصيتن کي استعمال ڪري سگهجي ٿو بائيو ميٽرڪ تصديق جي صورت ۾. ASR ٽيڪنالاجي آواز جي بايوميٽرڪ سسٽم ۾ هڪ اهم ڪردار ادا ڪري ٿي، ذاتي سڃاڻپ ۽ رسائي ڪنٽرول لاء سيڪيورٽي جي اضافي پرت پيش ڪري ٿي.
ميڊيا ۽ براڊڪاسٽنگ
ASR استعمال ڪيو ويندو آهي بند ڪيل ڪيپشنز ۽ ذيلي ٽائيٽل لاءِ لائيو ۽ اڳ-ريڪارڊ ڪيل مواد، ان کي ڏسندڙن لاءِ وڌيڪ پهچ ۽ انٽرايڪٽو ميڊيا تجربن جي نئين شڪل کي فعال ڪرڻ لاءِ.
ASR جا فائدا
- ڪارڪردگي: ASR ڊيٽا جي داخلا ۽ ڪميونيڪيشن کي تيز ڪري ٿو، صارفين کي قسم جي بدران ڳالهائڻ جي اجازت ڏئي ٿو، جيڪا پيداوار کي وڌائي ٿي.
- پهچ: اهو معذور ماڻهن لاءِ ٽيڪنالاجي جي رسائي کي وڌائي ٿو، ڊوائيسز سان آسان رابطي کي چالو ڪرڻ.
- هٿن کان خالي آپريشن: ASR گھڻن ڪمن جي سهولت ڏئي ٿو صارفين کي آواز جي حڪمن ذريعي ڊوائيسز کي ڪنٽرول ڪرڻ جي اجازت ڏئي ٿو، انهن جي هٿن کي ٻين ڪمن لاء آزاد رکي ٿو.
- مله تي اثرائتو: دستي ٽرانسپشن سروسز جي ضرورت کي گهٽائڻ سان، ASR ڪاروبار جو وقت ۽ آپريشنل خرچ بچائيندو آهي.
[پڻ پڙهو: تقرير جي سڃاڻپ جي تربيتي ڊيٽا - قسم، ڊيٽا گڏ ڪرڻ، ۽ ايپليڪيشنون ]
ASR ۾ چئلينج
- لهجا ۽ لهجا: تلفظ ۾ تبديلي سڃاڻپ جي درستگي کي روڪي سگھي ٿي، جنهن جي ڪري ٽرانسڪرپشن ۾ غلطيون ٿي سگهن ٿيون. اهي اهم ASR چئلينجن مان آهن جن کي حل ڪرڻ لاءِ محقق فعال طور تي ڪم ڪري رهيا آهن. انهن کي حل ڪرڻ اپ اسٽريم شروع ٿئي ٿو، وسيع، نمائندگي سان. تقرير ڊيٽا گڏ ڪرڻ تلفظن، ڊوائيسز، ۽ شور واري ماحول ۾.
- پس منظر جو شور: شور وارو ماحول ASR جي ڪارڪردگي کي خراب ڪري سگهي ٿو، جنهن جي ڪري سسٽم لاءِ تقرير کي واضح طور تي پڪڙڻ ڏکيو ٿي ويندو آهي. ان جي ابتڙ، انساني سڃاڻپ عام طور تي چئلينجنگ صوتي ماحول ۾ ASR کان بهتر ڪارڪردگي ڏيکاري ٿي، ڇاڪاڻ ته انسان شور ۾ تقرير کي سمجهڻ ۾ بهتر آهن.
- هوموفونز: لفظ جيڪي هڪجهڙا آواز آهن پر مختلف معنيٰ رکن ٿا ASR سسٽم کي غلط فهمي جي نتيجي ۾.
- مسلسل تقرير: قدرتي تقرير جا نمونا، جن ۾ رڪاوٽون ۽ تبديليون، پيچيدگين جي سڃاڻپ، مشڪل ASR جي درستگي.
ASR ٽيڪنالاجي لاءِ مستقبل ڇا آهي؟
AI ۽ مشين لرننگ جي ترقي سان، خودڪار تقرير جي سڃاڻپ ٽيڪنالاجي کي وڌيڪ صحيح، تيز، ۽ وڌيڪ قدرتي آواز ٿيڻ جي اميد آهي. ان کان علاوه، ASR ٽيڪنالاجي ممڪن آهي ته ڪسٽمر سروس، تعليم، صحت جي سار سنڀار، ۽ وڌيڪ. تنظيمن لاء، ترقي يافته ASR-بنياد ڪاروباري حل کي اڳتي وڌڻ گهرجي.
