توسعه هوش مصنوعی در کشور با تجهیز سرویس‌های تبدیل «متن به گفتار» و «گفتار به متن»
تیم تحریریه- ۲۱ اردیبهشت ۱۴۰۱
فناوری هوش مصنوعی طی چند سال گذشته آنچنان در تاروپود بخش‌های مختلف زندگی و فضای کسبوکار نفوذ کرده است که امروزه بدون یاری جستن از این فناوری و تحولات تکنولوژی و محصولات کارآمد آن‌ها، بی‌شک کسب‌وکارها از رونق خواهد افتاد و چرخ اقتصاد به‌نوعی از حرکت باز خواهد ایستاد. در حال حاضر، قریب به اتفاق کسب‌وکارها به‌خصوص پس از همه‌گیری کووید۱۹، توانسته‌اند از طریق بازارهای الکترونیکی آنچنان فناوری هوش مصنوعی را در روند کار خود بگنجانند که مشتریان آن‌ها قانع شده‌اند که از طریق این تکنولوژی قادرند به‌صرفه‌ترین خرید را داشته باشند.
سرویس‌های هوشمند «تبدیل متن به گفتار» و «تبدیل گفتار به متن» دو تکنولوژی قدرتمند و کاربردی مبتنی بر هوش مصنوعی هستند که در حال حاضر توانسته‌اند در کسب‌وکارهای گوناگون، ارزش افزوده خلق کنند و با توجه به اهمیت زمان، به‌خصوص برای فعالان عرصه نویسندگی، روزنامه‌نگاری، وکالت، روابط عمومی و… نقشی کاربردی داشته باشند؛ چرا که امکان شخصی‌سازی محتواهای صوتی و متنی در ساختارها و مدل‌های خاص را به کابران این حوزه‌ها می‌دهند. در این نوشتار، اهمیت و کاربرد دو وب‌سرویس تبدیل متن به گفتار و تبدیل گفتار به متن را بررسی می‌کنیم.
فناوری تبدیل متن به گفتار چیست؟
فناوری تبدیل متن به گفتار، نوعی تکنولوژی مبتنی بر هوش مصنوعی است که متن را به صوت تبدیل می‌کند. به بیان دیگر، این فناوری با بهره‌گیری از پردازش زبان طبیعی، پردازش گفتار و یادگیری عمیق، متن را می‌خواند، آن را درک می‌کند و پس از پردازش، با لحن رسمی یا محاوره می‌خوانند. این محصول، در سایت‌ها، اپلیکیشن‌ها و خبرگزاری‌ها از جمله در سرویس‌های دستیار صوتی، کتاب‌خوان صوتی، پیام‌خوان و برای اتوماسیون مراکز تماس، قابلیت استفاده دارد و از این طریق، برای تمامی کاربران به‌خصوص آن‌هایی که مشکل اختلال بینایی و تکلم دارند، یاری‌رسان خواهد بود.
چرا استفاده از فناوری تبدیل متن به گفتار اهمیت دارد؟
کاربران و مدیران کسبوکار می‌توانند با مجهز کردن سامانه‌ها، سایت‌ها و اپلیکیشن‌های خود به این فناوری، هر گونه تجربه مثبت کاربری را برای مخاطبان نیازمند خود به این محصول ایجاد کنند. از جمله قابلیت‌های این وب‌سرویس این است که صدا را بلادرنگ تولید می‌کند و حتی صوت ورودی را با صداهای متفاوت اعم از مرد و زن می‌خواند. همچنین این تکنولوژی قادر است زیر و بم بودن و سرعت و حجم صوت خروجی را تنظیم کند. یکی دیگر از قابلیت‌های مهم تبدیل‌گر متن به گفتار این است که متناسب با دستگاه مورداستفاده مانند هدفون، بلندگو و تلویزیون خانگی، صوت را بهینه‌سازی می‌کند و این موضوع، رضایت کاربر را در هر موقعیتی برآورده خواهد کرد.
کاربردهای فناوری تبدیل متن به گفتار چیست؟
فناوری تبدیل متن به گفتار قابل ادغام در سامانه‌ها، سایت‌ها و اپلیکیشن‌هاست و در حال حاضر در چنین پلتفرم‌هایی کاربردی است:
- دستیارهای صوتی و چت‌بات‌ها
- کتاب‌خوان صوتی
- سرویس‌ها پیام‌خوان صوتی
- کتاب‌های صوتی
- هوشمندسازی اتوماسیون مراکز تماس
- توانمندسازی توان‌یابان و روشن‌دلان
فناوری تبدیل گفتار به متن چیست و چگونه عمل می‌کند؟
فناوری تبدیل گفتار به متن، نوعی تکنولوژی مبتنی بر هوش مصنوعی است که گفتار را به متن قابل ویرایش تبدیل می‌کند. این سرویس هوشمند با بهره‌گیری از فناوری پردازش زبان طبیعی، پردازش گفتار و یادگیری عمیق تبدیل گفتار به متن قابل ویرایش را برای کاربران امکان‌پذیر می‌کند. این فرایند از طریق یک مدل یادگیری ماشینی پیچیده انجام می‌شود که شامل چندین مرحله است:
- وقتی صداهایی برای ایجاد کلمات از دهان کسی خارج می‌شود، یک سری ارتعاش نیز ایجاد می‌کند. فناوری گفتار به متن با دریافت این ارتعاشات و ترجمه آن‌ها به یک زبان دیجیتال از طریق مبدل آنالوگ به دیجیتال کار می‌کند.
- مبدل آنالوگ به دیجیتال صداها را از یک فایل صوتی می‌گیرد، امواج را با جزئیات زیاد اندازه‌گیری می‌کند و آن‌ها را فیلتر می‌کند، تا صداهای مربوطه را تشخیص دهد.
- صداها به صدم یا هزارم ثانیه تقسیم می‌شوند و سپس با واج‌ها مطابقت داده می‌شوند.
- واج‌ها از طریق یک مدل ریاضی از طریق یک شبکه اجرا می‌شوند که آن‌ها را با جملات، کلمات و عبارات شناخته‌شده مقایسه می‌کند.
- متن قابل ویرایش بر اساس محتمل‌ترین نسخه صوتی ارائه می‌شود.
چرا استفاده از وب‌سرویس گفتار به متن اهمیت دارد؟
محصولاتی که از طریق فناوری هوش مصنوعی توسعه می‌یابد، این امکان را فراهم کرده‌اند که در همه زمینه‌ها با هر کیفیتی کارایی داشته باشند و روند زندگی و کسبوکار را برای مشتریان و کاربران آسان کنند. سرویس‌های هوشمند تبدیل گفتار به متن، به سرعت توانسته‌اند از استفاده روزمره در تلفن‌های خانگی به برنامه‌های کاربردی در صنایعی مانند بازاریابی، بانکداری و پزشکی گذر کنند. برنامه‌های تشخیص گفتار نشان می‌دهند که چگونه فناوری گفتار در متن می‌تواند کارایی امور ساده‌ای که انسان‌ها به طور سنتی انجام می‌دادند، افزایش دهد. همانند دیگر فناوری‌ها، سرویس تبدیل گفتار به متن نیز مزایای بسیاری دارد که به ما در بهبود فرایندهای کاری و زندگی یاری می‌رساند:
- صرفه‌جویی در زمان
- مقرون به صرفه بودن
- تقویت محتوای صوتی و تصویری
- بهبود تجربه کاربری مشتریان و کاربران
کاربردهای فناوری تبدیل گفتار به متن چیست؟
پیشرفت‌های فناورانه اخیر در زمینه پردازش زبان طبیعی نه‌تنها فرایندهای زندگی را راحت‌تر و گردش کار را سازنده‌تر کرده، بلکه فرصت‌هایی را ایجاد نموده تا سازمان‌ها و کسب‌وکارها نیز از آن بهره‌مند گردند و به سمت چابکی بیشتر در فرایندها پیش روند. این فرصت‌ها در زمینه‌های بهبود خدمات مشتری (از طریق مکتوب کردن گفت‌وگوهای تماس‌گیرنده برای پاسخگویی بهتر)، تحقیق و پژوهش (از طریق مکتوب کردن تحقیقات پژوهشگر)، روزنامه‌نگاری (از طریق مکتوب کردن مصاحبه‌ها و اخبار) و… پر رنگ‌تر بوده است:
- چت‌بات‌های متنی و دستیار صوتی
- سامانه‌های آرشیوساز موضوعی
- تولید زیرنویس فارسی برای فایل‌های ویدئویی
- امکان جست‌وجو متن مشخص در فایل‌های صوتی
- تایپ صوتی
نتیجه‌گیری
سرویس‌های «تبدیل متن به گفتار» و «تبدیل گفتار به متن» در حال حاضر در اتوماسیون اداری و فرایندهای زندگی اکثر کشورهای توسعه‌یافته مورد استفاده قرار می‌گیرند و امور زندگی و کسب‌وکارها را در این زمینه آسان‌تر کرده‌اند. دقت بالای هوش مصنوعی این سرویس‌ها، نیاز به دخالت نیروی انسانی را تا حد زیادی کاهش داده و درنتیجه سبب صرفه‌جویی قابل‌توجهی در زمان و هزینه سازمان‌ها برای جذب نیروی متخصص شده است.
در ایران نیز «مرکز تحقیقات هوش مصنوعی پارت» که به عنوان بازوی قدرتمند توسعه فناوری‌های هوشمند در کشور شناخته می‌شود، به همت و دانش متخصصان بومی کشورمان توانسته وب‌سرویس‌های تبدیل گفتار به متن و متن به گفتار را توسعه دهد. این مرکز، یکی از پایگاه‌هایی است که فناوری‌هایی مبتنی بر پردازش زبان طبیعی و پردازش گفتار را با بهره‌گیری از آخرین تکنولوژی‌های روز دنیا، به کار می‌گیرد و بهترین خدمات را در خصوص سرویس‌های هوشمند ارائه می‌دهد.
