स्पीच रिकग्निशन होम ऑटोमेशन, AI आदि जैसे कई एप्लिकेशन में सबसे उपयोगी विशेषताओं में से एक है। इस खंड में हम देखेंगे कि पायथन और Google के स्पीच API का उपयोग करके स्पीच रिकग्निशन कैसे किया जा सकता है।
इस मामले में हम माइक्रोफोन का उपयोग करके स्पीच रिकग्निशन के लिए ऑडियो देंगे। माइक्रोफोन्स को कॉन्फ़िगर करने के लिए कुछ पैरामीटर्स हैं।
इस मॉड्यूल का उपयोग करने के लिए, हमें SpeechRecognition मॉड्यूल इंस्टॉल करना होगा। pyaudio नामक एक और मॉड्यूल है, जो वैकल्पिक है। इसका उपयोग करके हम ऑडियो के विभिन्न मोड सेट कर सकते हैं।
sudo pip3 install SpeechRecognition sudo apt-get install python3-pyaudio
बाहरी माइक्रोफोन्स या USB माइक्रोफोन्स के लिए, किसी भी कठिनाई से बचने के लिए सटीक माइक्रोफोन प्रदान करने की आवश्यकता है। लिनक्स पर, यदि हम 'lsusb' टाइप करते हैं तो USB डिवाइसेस के लिए संबंधित जानकारी दिखाएगा।
दूसरा पैरामीटर चंक साइज है। इसका उपयोग करके हम निर्दिष्ट कर सकते हैं कि हम एक बार में कितना डेटा पढ़ना चाहते हैं। यह 2 की घात वाली संख्या होगी, जैसे 1024 या 2048 आदि।
हमें सैंपलिंग रेट भी निर्दिष्ट करना होगा ताकि यह निर्धारित किया जा सके कि प्रोसेसिंग के लिए डेटा कितनी बार रिकॉर्ड किया जाता है।
चूंकि परिवेश में कुछ अपरिहार्य शोर हो सकता है, इसलिए हमें सटीक आवाज लेने के लिए एंबिएंट नॉइज़ को एडजस्ट करना होगा।
स्पीच को पहचानने के चरण
विभिन्न माइक्रोफोन संबंधित जानकारी लें।
चंक साइज, सैंपलिंग रेट, एंबिएंट नॉइज़ एडजस्टमेंट आदि का उपयोग करके माइक्रोफोन कॉन्फ़िगर करें।
आवाज प्राप्त करने के लिए कुछ समय प्रतीक्षा करें।
जब आवाज पहचानी जाती है, तो इसे टेक्स्ट में बदलने का प्रयास करें, अन्यथा कुछ एरर्स उठाएं।
प्रक्रिया रोकें।
उदाहरण कोड
import speech_recognition as spreg
# सैंपलिंग रेट और डेटा साइज सेट करें
sample_rate = 48000
data_size = 8192
recog = spreg.Recognizer()
with spreg.Microphone(sample_rate=sample_rate, chunk_size=data_size) as source:
recog.adjust_for_ambient_noise(source)
print('Tell Something: ')
speech = recog.listen(source)
try:
text = recog.recognize_google(speech)
print('You have said: ' + text)
except spreg.UnknownValueError:
print('Unable to recognize the audio')
except spreg.RequestError as e:
print("Request error from Google Speech Recognition service; {}".format(e))
आउटपुट
$ python3 318.speech_recognition.py Tell Something: You have said: here we are considering the asymptotic notation Pico to calculate the upper bound of the time complexity so then the definition of the big O notation is like this one
माइक्रोफोन का उपयोग किए बिना, हम कुछ ऑडियो फाइल को इनपुट के रूप में भी ले सकते हैं ताकि इसे स्पीच में बदला जा सके।
उदाहरण कोड
import speech_recognition as spreg
sound_file = 'sample_audio.wav'
recog = spreg.Recognizer()
with spreg.AudioFile(sound_file) as source:
speech = recog.record(source) # सुनने के बजाय रिकॉर्ड का उपयोग करें
try:
text = recog.recognize_google(speech)
print('The file contains: ' + text)
except spreg.UnknownValueError:
print('Unable to recognize the audio')
except spreg.RequestError as e:
print("Request error from Google Speech Recognition service; {}".format(e))
आउटपुट
$ python3 318a.speech_recognition_file.py The file contains: staying ahead of the curve demand planning new technology it also helps you progress in your career