بررسی و مقایسه سامانه های تبدیل خودکار گفتار به متن Whisper و VOSK در زبان فارسی

بر تبدیل خودکار گفتار به متن یا (Automatic Speech Recognition (ASR) یکی از فناوری های مهم در حوزه هوش مصنوعی، پردازش سیگنال گفتاری و پردازش زبان طبیعی است که با هدف تبدیل سیگنال صوتی انسان به متن قابل پردازش توسط رایانه توسعه یافته است. پیشرفت یادگیری عمیق و ظهور معماری های مبتنی بر Transformer موجب افزایش چشمگیر توانایی سامانه های تشخیص گفتار در زبان های مختلف شده است. در میان سامانه های متن باز Whisper و VOSK دو رویکرد متفاوت را ارائه می کنند. Whisper، پایه معماری Encoder-Decoder Transformer و آموزش در مقیاس بسیار بزرگ توسعه یافته در حالی که VOSK بر زیرساخت Kaldi استوار بوده و بیشتر بر اجرای محلی سبک و بلادرنگ تمرکز دارد. در این مقاله عملکرد این دو سامانه برای زبان فارسی با تکیه بر نتایج منتشر شده در benchmark بررسی و مقایسه شده است. نتایج نشان می دهد که Whisper در معیار WER با مقدار ۴۱.۴۹ درصد نسبت به VOSK با مقدار ۴۴.۶۲ درصد عملکرد بهتری دارد. همچنین Whisper در معیارهای CER و SWWER نیز خطای کمتری نشان می دهد. با وجود این، VOSK به دلیل نیاز محاسباتی کمتر، قابلیت اجرای آفلاین و امکان استفاده روی تجهیزات محدود، برای برخی کاربردهای عملی همچنان گزینه ای مناسب محسوب می شود. در نهایت انتخاب میان این دو سامانه باید علاوه بر دقت، بر اساس محدودیت سخت افزاری، نیاز به پردازش بلادرنگ، قابلیت سفارشی سازی و نوع کاربرد انجام شود.

کلیدواژه ها:

تشخیص خودکار گفتار ، تبدیل گفتار به متن ، زبان فارسی ، CER ، WER ، Kaldi ، Whisper