برنامه آنلاین است......و تنها صدای شما را (کلمات صحیح فارسی یا انگلیسی ) را به متن قابل اشتراک گذاری تبدیل می کند
با این برنامه دیگر نیازی به نوشتن پیامک نداری ؟؟
تعجب کردی ؟؟
نه تعجب نکن...برنامه به کمک گوشیت صداتو تبدیل به متن مرتب شده و قابل تصحیح میکنه که میتونی از هر طریقی که دلت میخواد اون رو واسه بقیه بفرستی ....
امیدوارم خوشتون بیاد از این برنامه ممنونم ....
تغییرات اخیر
مشکل برنامه در اندروید 5 برطرف شد و هم اکنون در اختیار شما دوستان می باش
صحت و گفتار نقش اساسی در ارتباط انسانها ایفا می‌کنند و یکی از دلایل پیشرفت انسانها است.
برای برقراری ارتباط کامپیوتر با انسان بوسیلة گفتار در کار لازم است انجام شود. یکی سنتزل گفتار است. و دیگری بازشناسی گفتار، سنتز گفتار بیان گفتار بوسیلة کامپیوتر می‌باشد و بازشناسی یعنی فهمیدن گفتار در بازشناسی گفتار. هدف بدست آوردن دنبالة آوایی یک گفتار می‌باشد و این دنبالة آوایی می‌تواند بر اساس واج، سیلاب، کلمه، جمله و ... باشد. بازشناسی گفتار عکس عمل سنتز است و گفتار را به متن تبدیل می‌کند. اما انجام بازشناسی گفتار به دلیل خاصیت صدای انسانها، دارای پیچیدگی‌های زیادی است. اما اغلب بازشناسی کامل و درست غیر ممکن است. حتی خود انسانها هم نمی‌توانند به طور کامل همه صداها را بفهمند و میزان، درک گوش انسانها حدود 70% می‌باشد. شکل 1-1 ارتباط گفتاری بین انسانها و کامپیوتر را نشان می‌دهد. به دلیل نقش مهم و کاربردهای فراوانی که بازشناسی گفتار دارد، تحقیقات و مقاله‌های زیادی در این زمینه انجام شده و راه حل‌های متفاوتی پیشنهاد شده است، ولی بازشناسی گفتار کاملاً درست هنوز امکان‌پذیر نمی‌باشد.
بازشناسی گفتار دارای کاربردهای زیادی است. از جمله کاربردهای بازشناسی گفتار، حل مشکل تایپ است، با کمک بازشناسی گفتار می‌توان جمله‌ها را یکی پس از دیگری خواند و کامپیوتر آنها را تایپ کند. یکی دیگر از کاربردهای بازشناسی گفتار، حل مشکل صحبت دو فرد مختلف همزبان است. یکی از مشکلات انسانها ارتباط با افرادی است که با زبانهای متفاوت صحبت می‌کنند. ارتباط بدون دانستن زبان مشکل است. و یادگیری یک زبان دیگر کار وقت گیر و پر زحمتی است ولی به کمک بازشناسی گفتار به یادگیری زبانهای مختلف احتیاجی نخواهد بود و می‌توان با یک دستگاه کوچک با فردی که با زبان دیگری صحبت می‌کند، صحبت نمود. یک کامپیوتر کوچک صدای شما را گرفته و به تعدادی از کلمات تبدیل می‌نماید. سپس این کلمات به زبان دیگر ترجمه شده و در نهایت با زبان جدید گفته می‌شوند. دو مرحلة آخر این سیستم جزو مسایل انجام شده گفتار هستند و با کامل نمودن مسئله بازشناسی گفتار بدون دانستن زبانهای دیگر به آنها تکلم نمود.
شکل 1-2 نشان دهنده ارتباط دو فرد با زبانهای مختلف است. یکی از کاربردهای دیگر بازشناسی گفتار، برقراری ارتباط با کامپیوتر است. همان گونه که به انسانهای دیگر دسترس می‌دهید، به کامپیوتر هم می‌توان دستور داد و با آن صحبت کرد. یا حتی می‌توانید از او بخواهید کاری برایتان انجام دهد.
حتی با کمک بازشناسی گفتار می‌توان به انسانهای نابینا و ناشنوا کمک کرد. به طور مثال نابینایان می‌توانند با صحبت کردن و دادن دستور به کامپیوتر با آن کار کنند.
این مقاله به صورت ورد (docx ) می باشد و تعداد صفحات آن 128صفحه آماده پرینت می باشد
چیزی که این مقالات را متمایز کرده است آماده پرینت بودن مقالات می باشد تا خریدار از خرید خود راضی باشد
مقالات را با ورژن office2010 به بالا بازکنید
چکیده
پردازش گفتار با توجه به کاربردهای وسیع آن در ارتباطات، تبادل اطلاعات میان انسان و ماشین مانند روبات ها، صنعت مخابرات، سمعک ها، به کارگیری ماشین در ترجمه مکالمات از یک زبان به زبان دیگر، ابزارهای آموزشی و دیگر محصولات تجاری مورد توجه قرار گرفته است. دهه اخیر شاهد پیشرفت چشمگیری در این عرصه بوده است. سیستم ها و الگوریتم هایی که با عملکرد بالا در آزمایشگاه پیاده سازی شده اند، به سمت دنیای واقعی در حال حرکت هستند.
تمایز بین گفتار و موسیقی (SMD) از جمله موضوعاتی است که در دهه اخیر، مطالعات زیادی روی آن انجام شده است. از کاربردهای آن می توان به تشخیص کانال های رادیویی که فقط موسیقی پخش می کنند اشاره کرد. همچنین می تواند به عنوان بخش اولیه در بازشناسی خودکار گفتار محسوب شود.
به طور کلی اغلب کارهایی که در این زمینه انجام شده است شامل دو مرحله می باشد: 1- استخراج ویژگی قطعه صوتی که تمایز بین گفتار و موسیقی را بیان می کند 2- طبقه بندی قطعه صوتی با توجه به ویژگی. در بعضی رویکردها از یک ویژگی استفاده می شود ولی در برخی دیگر از چند ویژگی. از جمله این ویژگی ها می توان به ویژگی های حوزه زمان، حوزه فرکانس و زمان – فرکانس و… اشاره کرد. طبقه بندی کننده هایی که برای این کار استفاده می شوند نیز طبقه کننده های مرسوم مانند مدل مارکوف پنهان، ماشین بردار پشتیبان، گوسی و شبکه های عصبی و… می باشند. در این تحقیق از ضرائب ویولت به عنوان ابزار پایه استفاده شده است که شش ویژگی آماری ساده از آن استخراج می شوند. از شبکه عصبی پرسپترون چند لایه نیز به عنوان طبقه بندی کننده استفاده شده است که نتایج حاصله سیستم پیشنهادی در حدود 99 درصد را به دست آورد.
مقدمه
پیشرفت های قابل توجه فن آوری در طی دهه های گذشته به طور چشمگیری طریقه ارتباط برقرار کردن مردم با بسیاری از منابع مختلف اطلاعات و سرگرمی را تغییر داده است. کاربران فن آوری های مدرن، در ارتباط با انواع رسانه ها از یک حالت انفعال به وضعیت فعال منتقل شده است. همین طور که مقادیر داده ای در دسترس افزایش می یابد، تکنیک های کارآمد داده گردانی نیز لازم می شود.
در چند سال گذشته داده های صوتی به میزان زیاد از منابع در دسترس مانند پایگاه داده ها، برنامه های پخش و اینترنت ایجاد شده اند. بخاطر این که، توجه ویژه ای به توسعه استراتژی ها جابجایی داده اختصاص داده شده است. لذا، افتراق گفتار / موسیقی (SMD) به عنوان یکی از اهداف مهم به شمار می رود.
برای اهداف مختلفی می توان از یک SMD کارآمد بهره مند شد. از این ابزار می توان برای انتخاب براساس محتوا در مجموعه برنامه های پخش استفاده کرد. نمونه ای از این نوع کاربرد، انتخاب ایستگاه های رادیویی است که در واقع فقط موسیقی پخش می کنند. همچنین SMD قسمت اساسی تشخیص خودکار گفتار (ASR) و رونویسی موسیقی اتوماتیک (AMT)، که اغلب نیاز به تجزیه و تحلیل داده های صوتی بی ساخت یا نامعلوم دارند. در مورد ASR، بخش گفتار فقط باید در نظر گرفته شود، در حالی که در AMT باید نمونه های موسیقی مورد توجه قرار گیرند. لذا مهم است که سیگنال قبل از ورود به این سیستم ها به طور صحیح قطعه بندی شود. در نهایت نیز، توجه داشته باشید که دستگاه های مدرن کمک شنوایی اغلب شامل الگوریتم هایی هستند که عملکرد دستگاه را با توجه به نوع صدایی که به گوش می رسد تغییر می دهد. در این مورد، SMD خوب می تواند مؤثر باشد.
و..........................................
چکیده
پردازش گفتار با توجه به کاربردهای وسیع آن در ارتباطات، تبادل اطلاعات میان انسان و ماشین مانند روبات ها، صنعت مخابرات، سمعک ها، به کارگیری ماشین در ترجمه مکالمات از یک زبان به زبان دیگر، ابزارهای آموزشی و دیگر محصولات تجاری مورد توجه قرار گرفته است. دهه اخیر شاهد پیشرفت چشمگیری در این عرصه بوده است. سیستم ها و الگوریتم هایی که با عملکرد بالا در آزمایشگاه پیاده سازی شده اند، به سمت دنیای واقعی در حال حرکت هستند.
جداسازی یا افتراق بین گفتار و موسیقی (SMD) از جمله موضوعاتی است که در دهه اخیر، مطالعات زیادی روی آن انجام شده است. از کاربردهای آن می توان به تشخیص کانال های رادیویی که فقط موسیقی پخش می کنند اشاره کرد. همچنین می تواند به عنوان بخش اولیه در بازشناسی خودکار گفتار محسوب شود.
به طور کلی اغلب کارهایی که در این زمینه انجام شده است شامل دو مرحله می باشد: 1- استخراج ویژگی قطعه صوتی که تمایز بین گفتار و موسیقی را بیان می کند 2- طبقه بندی قطعه صوتی با توجه به ویژگی. در بعضی رویکردها از یک ویژگی استفاده می شود ولی در برخی دیگر از چند ویژگی. از جمله این ویژگی ها می توان به نرخ عبور از صفر، ضرائب کپسترال، ضرائب کدینگ پیش خطی و… اشاره کرد. طبقه بندی کننده هایی که برای این کار استفاده می شوند نیز طبقه کننده های مرسوم مانند مدل مارکوف پنهان، ماشین بردار پشتیبان، گوسی و شبکه های عصبی و… می باشند.
مقدمه
پیشرفت های قابل توجه فن آوری در طی دهه های گذشته به طور چشمگیری طریقه ارتباط برقرار کردن مردم با بسیاری از منابع مختلف اطلاعات و سرگرمی را تغییر داده است. کاربران فن آوری های مدرن، در ارتباط با انواع رسانه ها از یک حالت انفعال به وضعیت فعال منتقل شده است. همین طور که مقادیر داده ای در دسترس افزایش می یابد، تکنیک های کارآمد داده گردانی نیز لازم می شود.
در چند سال گذشته داده های صوتی به میزان زیاد از منابع در دسترس مانند پایگاه داده ها، برنامه های پخش و اینترنت ایجاد شده اند. بخاطر این که، توجه ویژه ای به توسعه استراتژی های جابجایی داده اختصاص داده شده است. لذا، افتراق گفتار / موسیقی (SMD) به عنوان یکی از اهداف مهم به شمار می رود.
برای اهداف مختلفی می توان از یک SMD کارآمد بهره مند شد. از این ابزار می توان برای انتخاب براساس محتوا در مجموعه برنامه های پخش استفاده کرد. نمونه ای از این نوع کاربرد، انتخاب ایستگاه های رادیویی است که در واقع فقط موسیقی پخش می کنند. همچنین SMD قسمت اساسی تشخیص خودکار گفتار (ASR) و رونویسی موسیقی اتوماتیک (AMT)، که اغلب نیاز به تجزیه و تحلیل داده های صوتی بی ساخت یا نامعلوم دارند. در مورد ASR، بخش گفتار فقط باید در نظر گرفته شود، در حالی که در AMT باید نمونه های موسیقی مورد توجه قرار گیرند. لذا مهم است که سیگنال قبل از ورود به این سیستم ها به طور صحیح قطعه بندی شود. در نهایت نیز، توجه داشته باشید که دستگاه های مدرن کمک شنوایی اغلب شامل الگوریتم هایی هستند که عملکرد دستگاه را با توجه به نوع صدایی که به گوش می رسد تغییر می دهد. در این مورد، SMD خوب می تواند مؤثر باشد.
بیشتر تکنیک های SMD پیشنهاد شده تاکنون، نتایج خوبی داشته اند، اما هنوز هم چند نکته خصوصاً راجع به توانمندی به شرایط نامعلوم یا آموزش ندیده، موضوعی برای پیشرفت و توسعه این سیستم ها می باشند.
همه استراتژی های تبعیض بین گفتار و موسیقی در دو نکته مشترک هستند: استخراج ویژگی که حامل اطلاعات مربوط به سیگنال است و ترکیب یا نگاشت این ویژگی ها به یک برچسب، برای داده هایی که طبقه بندی می شوند. در زیر بحث مختصری از استراتژی خاص مورد استفاده در برخی از آثار اولیه مربوطه ارائه شده است.
ساندرس یک دسته بندی کننده موزیک – گفتار برای پخش رادیویی با استفاده از ویژگی های ساده ای مانند نرخ عبور از صفر و انرژی زمان کوتاه ارائه داد. در مقاله ساندرس برای رسیدن به دقتی برابر 98% طول پنجره برابر 2/4 ثانیه در نظر گرفته شد. در همین زمان اسچیرر و همکارش ویژگی های بیشتری را برای دسته بندی صوتی در نظر گرفتند و آزمایشات خود را بر روی انواع مدل های طبقه بندی کننده مدل مخلوط گوسی (GMM)، شبکه های عصبی مصنوعی انتشار خطا به عقب (BP-ANN) و k نزدیک ترین همسایه (KNN) انجام دادند. با به کارگیری پنجره یکسان (2/4 ثانیه) برای آزمایشات، نرخ خطا برابر 1/4 درصد گزارش شده است. این در حالی است که در صورت به کارگیری پنجره کوچکتر و یا در نظر گرفتن نویز و صداهای محیطی نتایج رضایت بخش نمی باشد.
در این مجموعه سعی شده است که به چند نمونه از کارهایی که در سال های اخیر انجام شده است، پرداخته شود. در این رویکردها از ویژگی های جدیدتری استفاده شده است و از طبقه بندی کننده های مختلفی نیز بهره جسته اند. در ابتدا در فصل اول، برای آشنایی با مفاهیم پایه پردازش گفتار، برخی از مفاهیم و اصطلاحات مورد نیاز بیان شده است. در فصول بعدی نیز رویکردها و نتایج شبیه سازی برخی از روش ها بیان شده است.
تعداد صفحه : 110