Ami akár még öt éve is vágyálomnak tűnhetett, mára valósággá vált: több általános célú, magyarul (is) tudó beszédfelismerő szoftver közül válogathat, aki nem akar többé leleteket, határozatokat, testületi ülések jegyzőkönyvét vagy éppen interjúkat begépelni.
Természetesen mindenkit az érdekel a legjobban, hogy mennyire pontosan ismerik fel ezek a rendszerek az élőbeszédet. Erre azonban gyakorlatilag lehetetlen egzakt választ adni. A legjobb algoritmus is rosszabbul teljesít, ha túl zajos a felvétel, míg fordítva, egy kiváló mikrofon, az alacsony háttérzaj és az ismert szakmai szövegkörnyezet gyakorlatilag 100 százalékos pontosságot ígér. Az alább bemutatott megoldások mindegyike jól teljesít a saját területén – azt kell eldönteni, hogy mi is azon a területen mozgunk-e.
Radiológusul is tud
Az orvosi szakirányú felhasználás irányából érkezett az általános beszédfelismerés világába a Belux Csoport, és terméke, a Globalspeech szoftver. „2005-ben fejlesztettük ki az első szoftvert radiológusok számára leletek diktálására”, mesél a kezdetekről Benes Edvárd, a vállalat cégvezetője. Az első verziót később műtéti, patológiai, majd jogi beszédleíró követte, míg tavaly elkészült az általános célra használható megoldás is.
A Globalspeech a mesterséges intelligenciára építve folyamatosan tanul, fejlődik, megszokja a felhasználó beszédstílusát, ritmusát, külön szótanító funkciót alkalmaz. A szakmai szótáraknak, speciális nyelvtani moduloknak és algoritmusoknak köszönhető a közel százszázalékos felismerési arány, s hogy a szoftver például diktáláskor nem azt írja le „a bétéká tizenegyedik paragrafus első bekezdése szerint”, hanem „A Btk. 11. § (1) bekezdése szerint…” Különlegessége még a Globalspeech-nek, hogy 17 nyelven érhető el, jól ismert Szerbiában, Görögországban és Cipruson is. Közvetlenül a Wordbe lehet vele diktálni, de leírhatók vele korábban felvett hanganyagok és videók is.
A Globalspeech szoftver előnye, hogy különböző információs rendszerekbe integrálható (Wordbe, LibreOffice-ba stb.) A felhasználó gépén, hálózati vagy internetelérés nélkül is működik. A felismerés és a szövegek a cég vagy az ügyfél szerverein tárolódnak. Különösen érzékeny – jogi, egészségügyi, céges – adatok esetekben akár a kliensgépen, cache-ből történhet a felismerés. Elkészült a webes és a mobil verzió is. Hazai szerverparkból üzemelő szolgáltatást is nyújt a társaság.
Az egyszerűség ereje
Szintén saját algoritmust használ AIrite nevű megoldásában a Régens. A vállalat a mesterséges intelligencia egyéb (arcfelismerés, objektum- és szövegelemzés) területein is rendelkezik tapasztalattal, mondta el érdeklődésünkre Matics-Horváth Kata, a vállalat marketingigazgatója.
Az AIrite rendkívül egyszerűen használható. Web alapú (és mobilalkalmazásként is elérhető) rendszer, amelyhez csak egy rövid regisztráció kell, és megújuló havi időkorláttal ingyenesen is használható – bizonyos korlátokkal. Ezért jó választás azoknak, akik nagyobb infrastruktúra-beruházás nélkül akarnak leiratokat készíteni.
Négyféle funkciót kínál: feltöltött hang- és videóállományok vagy diktálás leírása a magyar mellett angol és német nyelven, illetve live stream és Youtube-videók feliratozása. A leírt szöveg az AIrite saját ablakában javítható, ahol a kérdéses szövegrészletre ugorva egyből meghallgatható a felvétel is. A leirat fordítható, és több formátumban letölthető.
|
Okosan fordít Kimondottan fordítók számára készült az e-dictate szoftver. A webes felületen is elérhető megoldás szinte valamennyi funkciója arra szolgál, hogy megkönnyítse a fordítók munkáját. Nemcsak tanítható saját kifejezésekkel, de hangparancsokkal is kezelhető. Diktálhatók neki formátumcímkék, írásjelek, idéző- és zárójelek, felismeri és helyesen írja le a mértékegységeket, számokat, és átemelhetők a fordításba kifejezések a forrásszövegből. |
Nem ír elő ajánlott mikrofont vagy hangrögzítőt az AIrite, de tapasztalataink szerint viszonylag zajos felvétellel is jól boldogul. A szoftver több beszélőt is képes megkülönböztetni, és ennek megfelelően tagolni a szöveget, mint ahogy jól megbirkózik a központozással is. A hangállományokat és a szövegeket saját, Magyarországon működő szervereiken tárolják, de azokat nem használják az MI tanítására, az algoritmust más forrásokból fejlesztik.
A webes felhasználás mellett itt is van lehetőség saját szerverekre történő telepítést kérni (a szoftver integrálható üzleti alkalmazásokkal is). „A Régens vállalja, hogy kérésre betanítja a rendszernek az ügyfél egyedi szakkifejezéseit”, tette hozzá Matics-Horváth Kata. A továbbfejlesztési tervek között szerepel egyebek mellett videókonferenciák valós idejű feliratozása, az érzelmek detektálása, és további nyelveken történő leiratozás és fordítás.
A mindenes
Alapesetben a Google beszédfelismerőjét használja a Gallmed Absonic nevű terméke, amely a felhasználók gépein fut, de igény esetén saját szerveres, offline megoldás is megvalósítható. Ebben az esetben egyedileg tanítják be a megoldást a felhasználó terminológiájára, és az Absonic saját algoritmusát használják a hangfelvételek leírásához, mondja Várhalmi Antal Miklós, a mikrovállalkozás ügyvezető igazgatója.
Az Absonic rendkívül széles körű felhasználhatóságával tűnik ki a mezőnyből. A diktálás, a rögzített felvételek és a tárgyalások leiratozása mellett a legkülönfélébb távközlési csatornákon folytatott beszélgetések megjelenítésére és leírására is lehetőség van, a PSTN-től kezdve a GSM-en és az URH-n át a WhatsApp-ig; mindehhez a szükséges hardveres eszközöket is kínálja a vállalkozás. Alkalmas az Absonic videók (akár Youtube- és Facebook-videók) valós idejű feliratozására is. Különlegesség például, hogy prezentációkat is lehet vele valós időben feliratozni, és ezzel együtt egy másik nyelvű fordítást is megjeleníteni. A hallássérülteket támogatja az előadói, oktatói beszédek valós idejű megjelenítése, a kézhasználatban korlátozottaknak pedig módot ad a számítógép beszéd alapú vezérlésére.
A sokrétű funkcionalitás biztosításához az Absonic a felhasználók gépére telepítendő, mintegy 900 ezer soros programból és (offline igények esetén) szerveroldali komponensekből áll. A minél pontosabb felismerés érdekében érdemes biztosítani a megfelelő beszédminőséget zajszűréssel, automatikus szintkiegyenlítéssel, és célszerű professzionális mikrofont vagy beszédforrást használni. „Ha nem törődünk a bemeneti jel minőségével, a felismerés sem lesz elegendő pontosságú”, mondja Várhalmi Antal Miklós.
Schopp Attila
