Unsa ang Pag-ila sa Pagsulti?

Paggamit sa Imong Tingog ingon nga Pamaagi sa Input

Ang pag-ila sa pagsulti usa ka teknolohiya nga nagtugot sa gisulti nga input ngadto sa mga sistema. Nag-istoryahan ka sa imong computer, telepono o device ug kini naggamit sa unsay imong gisulti ingon nga input aron sa pagpalihok sa usa ka aksyon. Ang teknolohiya gigamit sa pagpuli sa ubang pamaagi sa input sama sa pag-type, pag-klik o pagpili sa ubang mga paagi. Kini usa ka paagi sa paghimo sa mga himan ug software nga labaw nga mahigalaon sa user ug aron sa pagdugang sa pagkamabungahon.

Adunay daghan nga mga aplikasyon ug mga dapit diin gigamit ang pag-ila sa pagsulti, lakip na ang militar, isip usa ka tabang alang sa mga tawo nga adunay kapeligrohan (hunahunaa ang usa ka tawo nga may bakol o walay mga kamot o mga tudlo), sa medikal nga natad, sa robotics ug uban pa Sa dili madugay, Hapit ang tanan mabutyag sa pagkilala sa pagsulti tungod sa pagpadaghan niini sa mga komon nga gamit sama sa mga kompyuter ug mga cellphone.

Pipila ka mga smartphone ang naghimo sa makapaikag nga paggamit sa speech recognition. Ang iPhone ug Android device mga pananglitan niana. Pinaagi kanila, mahimo ka nga magsugod sa usa ka pagtawag ngadto sa usa ka kontak pinaagi lamang sa pagkuha og mga instruksyon nga sulti sama sa 'Call office'. Ang uban pang mga sugo mahimo usab nga paga-abi-abihon, sama sa 'Switch on Bluetooth'.

Mga Suliran sa Pag-ila sa Sinultihan

Ang pag-ila sa pagsulti, sa iyang bersyon nga nailhan nga Speech to Text (STT), gigamit usab sa dugay nga panahon sa paghubad sa mga gisulti nga mga pulong ngadto sa teksto. "Nag-istoryahan ka, nag-type kini", sama sa giingon sa ViaVoice sa kahon niini. Apan adunay usa ka problema sa STT sama sa among nahibal-an. Kapin sa 10 ka tuig ang milabay, gisulayan nako ang ViaVoice ug wala kini molungtad sa usa ka semana sa akong computer. Ngano? Dili kaayo kini tukma ug ako nakagasto og dugang nga panahon ug kusog nga pagsulti ug pagkorihir kay sa pag-type sa tanan. Ang ViaVoice usa sa pinakamaayo sa industriya, busa hunahunaa ang uban. Ang teknolohiya nagkulang ug milambo, apan ang pagsulti ngadto sa teksto nagpadayon nga nagpangutana ang mga tawo. Ang usa sa mga nag-unang mga kalisud mao ang dako nga kalainan sa mga tawo sa paglitok sa mga pulong.

Dili tanan nga mga pinulongan ang gituohan sa pag-ila sa pagsulti, ug kadtong mga gibuhat kasagaran dili gisuportahan ingon man sa Iningles. Tungod niini, kadaghanan sa mga gamit nga nagsulti sa software nga pag-ila sa pagsulti sa pagbuhat sa makatarunganon lamang sa Iningles.

Ang usa ka hugpong sa mga kinahanglanon sa hardware naghimo sa pagsulti nga lisud ipaila sa pipila ka mga kaso. Kinahanglan nimo ang usa ka mikropono nga adunay igong kaisipan aron sa pagsala sa kasaba sa background apan sa samang higayon igo nga gikuha aron makapangita sa tingog nga natural.

Naghisgot sa kasaba sa background, kini makahimo sa tibuok nga sistema nga mapakyas. Ingon nga resulta, ang pag-ila sa pagsulti napakyas sa daghang mga kaso tungod sa mga tingog nga wala sa kontrol sa tiggamit.

Ang pag-ila sa pagsulti napamatud-an nga mas maayo ingon nga usa ka pamaagi sa pag-input alang sa mga bag-ong mga telepono ug teknolohiya sa komunikasyon sama sa VoIP, kay sa usa ka himan sa pagkamugna alang sa mass text input.

Mga Aplikasyon sa Pag-ila sa Pagsulti

Ang teknolohiya nagkapopular sa daghang mga lugar ug nagmalampuson sa mosunod:

- Pagkontrol sa device. Ang pagsulti lang sa "OK Google" sa usa ka Android nga telepono nagsunog sa usa ka sistema nga tanan nga mga dalunggan sa imong mga tingog nga mga sugo.

- Mga Bluetooth nga sistema sa awto. Daghang mga sakyanan ang nasangkapan sa sistema nga nagkonektar sa mekanismo sa radyo sa imong smartphone pinaagi sa Bluetooth. Mahimo nimong makahimo ug makadawat sa mga tawag nga dili matandog ang imong smartphone, ug mahimo pa gani nga ma-dial ang mga numero pinaagi lamang sa pagsulti kanila.

- Transcription sa tingog. Sa mga dapit diin ang mga tawo kinahanglan nga mag-type og daghan, ang pipila ka mga intelligent nga software makadakop sa ilang gisulti nga mga pulong ug isulat kini ngadto sa teksto. Kini mao ang kasamtangan sa pipila ka mga pulong sa pagproseso nga software. Ang transkripsiyon sa boses usab nagabuhat uban sa biswal nga voicemail .