Soniox STT v6 صدای دستیار را از صحبت کاربر جدا می‌کند

شرکت Soniox مدل تبدیل گفتار به متن STT v6 را معرفی کرده است؛ مدلی که از متن گفته‌های دستیار صوتی هم باخبر می‌شود و می‌تواند صدای خود دستیار را از صحبت کاربر جدا کند. این قابلیت قرار است یکی از مشکلات آشنای مکالمه با عامل‌های صوتی را کاهش دهد: وقتی سامانه صدای پخش‌شده از بلندگو را دوباره می‌شنود و آن را به‌اشتباه حرف شما تشخیص می‌دهد.

#نکات کلیدی

• STT v6 متن خروجی دستیار را به‌عنوان زمینه مکالمه دریافت می‌کند.
• مدل می‌تواند صدای پخش‌شده دستیار را از فرایند تشخیص گفتار کنار بگذارد.
• هنگام صحبت دستیار همچنان به کاربر گوش می‌دهد و وقفه واقعی او را تشخیص می‌دهد.
• بیش از ۶۰ زبان در مدل بلادرنگ و مدل پردازش غیرهم‌زمان پشتیبانی می‌شوند.
• کاربردهای اصلی شامل عامل‌های صوتی، تایپ صوتی، جلسه‌های آنلاین و ترجمه زنده است.

#مدلی که هر دو سوی مکالمه را می‌شناسد

مدل‌های تشخیص گفتار معمولاً فقط صدای کاربر را دریافت می‌کنند و نمی‌دانند دستیار چند لحظه قبل چه پرسیده یا چه گزینه‌هایی را مطرح کرده است. در نتیجه، پاسخ‌های کوتاهی مثل «بله» و «نه» یا اطلاعاتی مانند نام‌ها، اعداد و اصطلاحات تخصصی ممکن است بدون زمینه کافی مبهم باشند.

Soniox در معرفی رسمی STT v6 قابلیتی با عنوان Agent text input ارائه کرده است. توسعه‌دهنده می‌تواند هم‌زمان با ارسال متن خروجی به سامانه تبدیل متن به گفتار، همان متن را نیز برای STT v6 بفرستد. مدل با داشتن زمینه هر دو سوی گفت‌وگو، بهتر متوجه می‌شود پاسخ کاربر به کدام سؤال یا درخواست مربوط است.

به گفته Soniox، این زمینه به تشخیص دقیق‌تر نام‌ها، اعداد، عبارت‌های تخصصی و پاسخ‌های کوتاه کمک می‌کند. توسعه‌دهندگان همچنین می‌توانند اطلاعات مرتبط با کار کاربر، از جمله نام محصول، واژگان حرفه‌ای و اصطلاحات پروژه را در اختیار مدل قرار دهند.

#جلوگیری از شنیدن صدای خود دستیار

وقتی صدای عامل صوتی از بلندگو پخش و دوباره وارد میکروفون می‌شود، سامانه تشخیص گفتار ممکن است آن را صحبت کاربر حساب کند. پیامد چنین اشتباهی می‌تواند قطع‌شدن بی‌دلیل صحبت، پاسخ‌دادن عامل به صدای خودش یا شکل‌گیری یک چرخه بازخورد باشد.

قابلیت حذف پژواک صدای عامل در STT v6 با استفاده از متن خروجی دستیار، صدای پخش‌شده آن را تشخیص می‌دهد و از نتیجه تبدیل گفتار به متن حذف می‌کند. در همین زمان، مدل گوش‌دادن به کاربر را متوقف نمی‌کند؛ بنابراین اگر شما واقعاً میان صحبت دستیار وارد مکالمه شوید، صدایتان تشخیص داده می‌شود، در حالی که صدای عامل کنار گذاشته خواهد شد.

این ویژگی برای محیط‌هایی اهمیت دارد که صدای بلندگو به‌راحتی به میکروفون برمی‌گردد؛ از جمله لپ‌تاپ‌ها، تلفن‌های دارای بلندگوی فعال، سامانه‌های داخل خودرو و دستگاه‌های مشابه.

#بهبود تایپ، جلسه و ترجمه صوتی

STT v6 بیش از ۶۰ زبان را پوشش می‌دهد و برای استفاده بلادرنگ و پردازش فایل‌های ضبط‌شده عرضه شده است. Soniox می‌گوید نسخه جدید در تایپ صوتی، رونویسی جلسه‌ها، تشخیص چندزبانه و ترجمه هم‌زمان دقیق‌تر شده و قابلیت‌هایی مانند تفکیک گویندگان، شناسایی زبان، تشخیص پایان صحبت و شخصی‌سازی زمینه نیز بهبود یافته‌اند.

در تایپ صوتی، تمرکز مدل بر ثبت دقیق‌تر اعداد، ارزها، واحدها، تاریخ‌ها، شناسه‌های حرفی‌عددی، نام‌ها و اصطلاحات تخصصی است. متن نیز هنگام صحبت کاربر به‌صورت جریانی تولید می‌شود و پس از پایان گفتار نهایی خواهد شد.

برای جلسه‌ها، مدل باید هم محتوای صحبت و هم هویت گوینده را تشخیص دهد. Soniox اعلام کرده آموزش و ارزیابی نسخه جدید شرایطی مانند تغییر سریع گویندگان، وقفه‌ها، هم‌پوشانی صداها، شباهت صداها، تغییر زبان و وضعیت‌های مختلف میکروفون را در بر گرفته است. مدل بلادرنگ برای جلسه‌های زنده و مدل غیرهم‌زمان برای فایل‌های تکمیل‌شده قابل استفاده است.

در ترجمه گفتار نیز مدل مقدار صدای لازم برای فهم زمینه را به‌صورت پویا تنظیم می‌کند و از جابه‌جایی زبان حتی در میانه یک جمله پشتیبانی می‌کند. همه این قابلیت‌ها در قالب یک مدل یکپارچه ارائه می‌شوند و نیازی به جابه‌جایی میان مدل‌های زبانی جداگانه نیست.

#این خبر برای توسعه‌دهندگان چه معنایی دارد؟

اگر در حال ساخت ربات تلفنی، دستیار صوتی، ابزار تایپ با صدا یا دستیار جلسه هستید، دو قابلیت جدید می‌توانند مکالمه را طبیعی‌تر کنند: مدل هم زمینه پرسش عامل را می‌بیند و هم صدای خود آن را از ورودی حذف می‌کند. STT v6 اکنون برای پخش جریانی بلادرنگ و رونویسی غیرهم‌زمان در دسترس است و Soniox امکان آزمایش با فایل صوتی و استفاده از API را فراهم کرده است.

#جمع‌بندی

Soniox STT v6 می‌خواهد عامل‌های صوتی را از یک اشتباه آزاردهنده دور کند: شنیدن و قطع‌کردن صدای خودشان. ترکیب آگاهی از متن دستیار با حذف پژواک صدای آن، می‌تواند برای شما به معنی پاسخ‌های کوتاه دقیق‌تر، وقفه‌های اشتباه کمتر و مکالمه‌ای روان‌تر با محصولات صوتی باشد.