コンピュータは言葉を聴き分けるか？

ホタル族の私は、ベランダで食後の一服をしてたら、昨日までは無かった蜘蛛の巣が張られていた。こんな所に網を張って、獲物を捕獲できるのだろうか？

お客さんが来るまで、じっと我慢の子してないといけないので、よく立地条件を検討したんだろうか？彼らにしてみれば、見立てが悪いと死活問題だから、コンサルタントを雇うのだろうか？それとも、親から子に教育が施されるのだろうか？

普段なら、さっと巣を取り払ってしまう所だけど、そんな事を考えていたら、巣を壊すのを躊躇ってしまった。せいぜい、蚊やらぶよがトラップされて、蜘蛛さん満腹、私は安眠の win-win関係になれる様、祈ってますよ。

対称性の乱れは成立するか？

昨日までは、音声合成と言う事で、Windows や FreeBSDでも、英語を喋らせることに成功した。Windowsの場合、日本語を喋る人は、Office 2002 以降に付属してるそうな。話かけるのは、文房具の範疇ですか。そうですか。

壊れた、テープレコーダーみたいに、EXCELが喋り始めたら、パソコン毎、外に放り投げたくなるぞ。そうでなくても、いらいらが募って、血圧が上昇しそう。よく、市かなにかのパソコン教室が開かれていて、年寄りに人気らしいけど、いらいらが募って、心臓発作とかおこさないんでしょうか？人事ながら、心配になります。

対称性の乱れを発見して、ノーベル賞を頂いた人がいました。音声合成の対称になるのが音声認識。果たして、手軽に使えるものがあるかどうか。。。

見つかったら、プチ嬉しいぞ。で、いきがかり上探してみました友。

Julius

汎用大語彙連続音声認識エンジンいかめしい名前のものが見つかりました。オープンソースで公開されてて、Unix,Windowsでも動くと説明されてます。これはもう、試してみる鹿。

こちらから、キットになっている dictation-kit-v3.2.tar.gz を頂いてきました。辞書内蔵なので、たっぷりと30Mはあります。入れるターゲットは、FreeBSD 7.2 on VMWARE です。Windowsの場合も、MinGWと言うのがいいですね。上から下まで、オープンソース大賛成です。

動くまでの道のり

展開すると、binとかが出てきて、Linuxの人は、すぐに動かせそうです。FreeBSDでも、多分 Linuxのエミュレーションモードにすれば動くでしょうが、それじゃ、ちょいとOSSっぽく無い。ここは意地でも、ソースからです。

srcへ移動すると、tar玉になってました。展開します。

[sakae@nil ~/dictation-kit-v3.2/src/julius-3.5.3]$ ./configure --prefix=/home/sa
kae/mine
loading cache ./config.cache
checking host system type... i386-unknown-freebsd7.2
  .....
checking for sleep... (cached) yes
checking for microphone type... no
configure: error: mictype not supported, or specified type not exist
configure: error: ./configure failed for libsent

メインはLinuxで開発されているらしく、ハードの部分がFreeBSDと違うんですねぇ。マニュアルを読んでみたら、FreeBSD 3.2の時代には、オプション指定してたと。。

[sakae@nil ~/dictation-kit-v3.2/src/julius-3.5.3]$ ./configure --prefix=/home/sa
kae/mine --with-mictype=oss
   .....
****************************************************************
Julius/Julian libsent library rev.3.5.3:

- Audio I/O
    mic device API          : oss (Open Sound System compatible)
    supported audio format  : RAW and WAV only
    NetAudio support        : no
- Language Modeling
    class N-gram support    : yes
- Libraries
    file decompression by   : zlib library
    charset conversion by   : built-in libjcode (Japanese codes only)
- Process management
    use POSIX thread        : yes
    fork on adinnet input   : no

  Note: compilation time flags are now stored in "libsent-config".
        If you link this library, please add output of
        "libsent-config --cflags" to CFLAGS and
        "libsent-config --libs" to LIBS.
****************************************************************

以後、make install まで、無問題で走り過ぎました。素晴らしいですねぇ。

後は、Linux用のbin/の下にある、fast.jconf と light.jconf それに、model/ を、BSD用の binの下にコピーして準備完了です。binの下は

[sakae@nil ~/mine/bin]$ ls -l
total 2470
-rwxr-xr-x  1 sakae  kuma  173127  7  9 13:19 accept_check*
-rwxr-xr-x  1 sakae  kuma  111776  7  9 13:19 adinrec*
-rwxr-xr-x  1 sakae  kuma  122399  7  9 13:19 adintool*
-rwxr-xr-x  1 sakae  kuma   69624  7  9 13:19 dfa_determinize*
-rwxr-xr-x  1 sakae  kuma   68637  7  9 13:19 dfa_minimize*
-rw-r--r--  1 sakae  kuma   12889  7  9 13:40 fast.jconf
-rwxr-xr-x  1 sakae  kuma  178053  7  9 13:19 generate*
-rwxr-xr-x  1 sakae  kuma    9355  7  9 13:19 gram2sapixml.pl*
-rwxr-xr-x  1 sakae  kuma   24711  7  9 13:19 jcontrol*
-rwxr-xr-x  1 sakae  kuma  870597  7  9 13:19 julius*
-rw-r--r--  1 sakae  kuma   12898  7  9 13:40 light.jconf
-rwxr-xr-x  1 sakae  kuma  118117  7  9 13:19 mkbingram*
-rwxr-xr-x  1 sakae  kuma  268847  7  9 13:19 mkbinhmm*
-rwxr-xr-x  1 sakae  kuma    5223  7  9 13:19 mkdfa.pl*
-rwxr-xr-x  1 sakae  kuma   88422  7  9 13:19 mkfa*
-rwxr-xr-x  1 sakae  kuma    1713  7  9 13:19 mkgshmm*
-rwxr-xr-x  1 sakae  kuma  128256  7  9 13:19 mkss*
drwxr-xr-x  4 sakae  kuma     512  7  9 13:43 model/
-rwxr-xr-x  1 sakae  kuma  186441  7  9 13:19 nextword*
-rwxr-xr-x  1 sakae  kuma    2856  7  9 13:19 yomi2voca.pl*

資料はこちらにあります。

実験開始

文字コードは、EUC-JPになってますので、端末をそれに合わせておきます。

[sakae@nil ~/mine/bin]$ ./julius -C light.jconf
include config: light.jconf
Reading in HMM definition...(binary)...finished
   .....
System I/O configuration:
            speech input source = microphone
                 sampling freq. = 16000 Hz
                threaded A/D-in = supported, on
          zero frames stripping = on
                silence cutting = on
                    level thres = 2000 / 32767
                zerocross thres = 60 / sec.
                    head margin = 300 msec.
                    tail margin = 400 msec.
               remove DC offset = on (frame-wise)
 (will compute from first 3.0 sec)
             reject short input = < 800 msec
        short pause segmentation= off
               result output to = tty (standard out)
               progout interval = 300 msec
           output charset conv. = disabled

------------- System Info end -------------

        *************************************************************
        * NOTICE: The first input may not be recognized, since      *
        *         no initial CMN parameter is available on startup. *
        *************************************************************
pass1_best:  今日 は 、 モップ 四 Ｐ です 。
sentence1:  今日 は 木曜日 です 。              <--- 正解です
pass1_best:  カメラ 吭 。
sentence1:  雨 が 降る 。                       <--- 雨よ降れ　が正解
pass1_best:  ルーム 朝食 は 、 納得 し た 。
sentence1:  ルーム 朝食 は 、 学校 でし た 。    <-- 今日の朝食は、納豆でした。
pass1_best:  救急 食べ まし た 。
sentence1:  ケーキ を 食べ まし た 。            <--- 正解です
pass1_best:  アトラス パソコン を 買い たい 。
sentence1:  新しい パソコン を 買い たい         <--- 正解です

素晴らしい！！

後は、たっぷりある資料を読んで秘密に迫ろう。