Resumo dos recursos¶
O Reconhecimento de fala oferece diversos recursos, entre os quais destacam-se:
- Suporte ao Português do Brasil e Espanhol da América Latina
Os modelos acústicos do Português foram treinados com fala de milhares de brasileiros, com sotaques de todo o país. Os modelos do Espanhol foram produzidos com áudio de falantes de diferentes países da América Latina.
- Entrada de áudio
Aceita áudio de entrada PCM Linear 16bits com taxa de 8 kHz, usado em telefonia, e 16 kHz, para aplicações com maior qualidade de áudio. Além disso, suporta vários formatos de áudio com e sem compressão: MP3, OPUS, VORBIS, PCM aLaw/uLaw, GSM, FLAC e WAV, lembrando que áudios com alta taxa de compressão pode afetar a acurácia do reconhecimento.
- Arquitetura cliente/servidor
As aplicações podem usar o reconhecimento de fala através das APIs WebSocket e REST, desenvolvidas pelo CPQD, ou utilizar o padrão MRCP e GRPC, no caso de aplicações com URA.
- Reconhecimento em tempo real ou online
O áudio é processado à medida em que é recebido, diminuindo o tempo de produção do resultado final.
- Reconhecimento em modo contínuo
O modo padrão de funcionamento do ASR é a detecção e o reconhecimento apenas da primeira frase do usuário. No reconhecimento em modo contínuo, o ASR permanece processando o áudio, gerando resultados de reconhecimento a medida que recebe o áudio.
- Reconhecimento com gramáticas
O reconhecimento pode ser realizado com gramáticas escritas no padrão SRGS .
- Interpretação semântica
Reconhecimento com interpretação semântica para gramáticas seguindo o padrão SISR.
- Reconhecimento de fala livre
Reconhecimento de fala sem a necessidade de escrever uma gramática, permitindo flexibilidade na interação com o usuário.
- Resultados intermediários
Produção de resultados intermediários ou parciais enquanto o áudio é recebido e reconhecido.
- Índice de confiança
Os resultados gerados recebem uma nota, que indica a confiança no reconhecimento daquela frase; quanto maior essa nota, maior a chance do reconhecimento estar correto.
- N-best list
Retorno da lista das N frases mais prováveis para cada reconhecimento, ao invés de apenas retornar a frase reconhecida.
- Detecção de fala
Identificação automatica dos instantes em que o usuário começa e termina de falar.
Reconhecimento de estado emocional, gênero e idade
O reconhecimento de gênero utiliza um modelo de classificação binária, onde existem duas respostas possíveis: masculino e feminino. O modelo é limitado a vozes adultas, e portanto espera-se altas taxas de erro com crianças.
Já o reconhecimento de idade utiliza um modelo “dois em um”, produzindo uma estimativa da idade mais provável e em paralelo, calcula a probabilidade por faixas etárias entre zero e 100 anos, com intervalo de 10 anos.
O reconhecimento de emoções considera a classificação em 4 emoções. As classes de emoções reconhecidas pelo sistema são:
irritado, neutro, triste, feliz.
Nesta versão, apenas a classificação da emoção pelo modelo de IA está disponível. Nenhum score de classificação está disponível nesta versão.