လွယ်လွယ်ပြောရရင် Speech Recognition ဆိုတာ သင် ပြောလိုက်တဲ့ စကားသံကို ကွန်ပျူတာက နားလည်ပြီး စာအဖြစ် ပြောင်းပေးတဲ့ နည်းပညာပါ။ ဖုန်းကို “မင်္ဂလာပါ” လို့ ပြောလိုက်ရင် screen ပေါ်မှာ “မင်္ဂလာပါ” ဆိုတဲ့ စာလုံး ပေါ်လာတာ ဒီပညာပဲ။
ကျွန်တော် ဒါကို ပထမဆုံး သုံးတုန်းက တော်တော် အံ့ဩခဲ့တယ်။ ကားမောင်းနေရင်း message ပို့ချင်တယ်၊ လက်နဲ့ ရိုက်လို့ မရဘူး။ ဖုန်းကို စကားပြောလိုက်ရုံပဲ၊ စာက အလိုလို ရိုက်ပြီးသား ဖြစ်သွားတယ်။ အရင်က ဒါမျိုး လုပ်ဖို့ လူတစ်ယောက်က နားထောင်ပြီး လိုက်ရိုက်ပေးရတယ်။ အခု ကွန်ပျူတာကိုယ်တိုင် နားထောင်တတ်နေပြီ။
အသံကို နားထောင်တတ်အောင် ဘယ်လို သင်ပေးလဲ?
လူတစ်ယောက် ဘာသာစကားအသစ် သင်သလိုပဲ၊ အသံနမူနာ သန်းပေါင်းများစွာကို ပေးပြီး သင်ပေးရတာ။
အဆင့်တွေကို ဒီလို ခွဲပြမယ်။
ပထမဆုံး သင့်အသံကို microphone က ဖမ်းပြီး အသံလှိုင်း (waveform) အဖြစ် ပြောင်းတယ်။ အသံက တကယ်တော့ လေရဲ့ တုန်ခါမှုပဲ။
ပြီးတော့ အသံလှိုင်းကို အပိုင်းပိုင်း အသေးလေးတွေ ခွဲတယ်။ တစ်စက္ကန့်ကို အပိုင်း ၁၀၀ လောက်ထိ ခွဲနိုင်တယ်။
ပြီးတော့ AI model က အပိုင်းတစ်ခုချင်းစီမှာ ဘယ်အသံထွက် (phoneme) ဖြစ်လဲဆိုတာ ခန့်မှန်းတယ်။ ဥပမာ “မ” သံ၊ “င်” သံ၊ “ဂ” သံလိုမျိုး။
နောက်ဆုံးမှာ အသံထွက်တွေကို စကားလုံးအဖြစ် ပြန်ဆက်တယ်။ ဒီနေရာမှာ Language Model က ကူညီတယ် — “မင်္ဂလာ” ပြီးရင် “ပါ” လာဖို့ များတယ်ဆိုတာ သိထားလို့ မှားနိုင်ခြေ နည်းသွားတယ်။
အသံကို တိုက်ရိုက် စာအဖြစ် မပြောင်းဘဲ၊ အသံထွက် → စကားလုံး ဆိုတဲ့ နှစ်ဆင့်ခံပြီးမှ ပြောင်းတာ ဒီစနစ်ရဲ့ လျှို့ဝှက်ချက်ပဲ။
ဘာလို့ တခါတလေ မှားနားထောင်တာလဲ?
အဖြေက ရိုးရှင်းတယ် — လူတွေရဲ့ အသံတွေက မတူဘူး။
လေယူလေသိမ်း (accent) မတူဘူး။ ရန်ကုန်သံနဲ့ မန္တလေးသံ၊ မြန်မာစကားကို ပြောတဲ့ နိုင်ငံခြားသားသံ — တစ်ခုချင်းစီက model အတွက် အသစ်လိုပဲ။
ဆူညံသံ ပါတတ်တယ်။ လမ်းပေါ်၊ ဆိုင်ထဲ၊ ကားထဲမှာ ပြောရင် နောက်ခံအသံတွေက အဓိကအသံကို ဖုံးသွားတယ်။
အသံတူ စကားလုံး ကွဲတာမျိုး ရှိတယ်။ အင်္ဂလိပ်လို “two”, “to”, “too” — အသံတူတယ်၊ စာလုံးကွဲတယ်။ ဒါကို Language Model ကပဲ စာကြောင်းအဓိပ္ပာယ်နဲ့ ခွဲရတယ်။
မြန်မာစာလိုမျိုး training data နည်းတဲ့ ဘာသာစကားဆိုရင် တိကျမှု ပိုနည်းသေးတယ်။ အင်္ဂလိပ်စာလောက် data မရှိလို့။
ဘယ်နေရာတွေမှာ သုံးနေလဲ?
Voice Typing — Gboard, Google Voice Typing တို့မှာ စကားပြောပြီး စာရိုက်တာ။
Voice Assistant — Siri, Google Assistant ကို “မနက်ဖြန် ရာသီဥတု ဘယ်လိုလဲ?” လို့ မေးတာ။
Subtitle အလိုလို ထုတ်တာ — YouTube video တွေမှာ caption အလိုလို ပေါ်လာတာ။
Call Center — ဖုန်းဆက်လာတဲ့ customer ပြောတာကို စာအဖြစ် မှတ်ပြီး ticket ဖွင့်တာ။
ဆေးရုံ — ဆရာဝန်က လူနာအကြောင်း ပြောလိုက်ရင် ဆေးမှတ်တမ်းအဖြစ် အလိုလို ရေးပေးတာ။
ကိုယ့်အတွက် အကြံလေး
Speech Recognition ကို ပိုတိကျအောင် သုံးချင်ရင် ဒီလေးတွေ လုပ်ကြည့်ပါ။
ဆူညံတဲ့နေရာထက် တိတ်တဲ့နေရာမှာ ပြောပါ။
ဖုန်းကို ပါးစပ်နဲ့ သိပ်မဝေးအောင် ထားပါ။
စကားကို ရှင်းရှင်းလင်းလင်း၊ သိပ်မမြန်ဘဲ ပြောပါ။
ကိုယ့်ဘာသာစကားအတွက် keyboard app ရဲ့ voice typing ကို အရင် စမ်းကြည့်ပါ — မြန်မာစာ ထောက်ပံ့မှုက app တစ်ခုနဲ့ တစ်ခု မတူဘူး။
တစ်ချိန်က လူကိုယ်တိုင် နားထောင်ပြီး လိုက်ရိုက်ရတဲ့ အလုပ်ကို အခု သင့်ဖုန်းက လုပ်ပေးနေပြီ။ အသံကို နားလည်တဲ့ ကွန်ပျူတာ ခေတ်က စပြီးနေပြီ — သင် ပြောလိုက်ရုံပဲ လိုတော့တယ်။ 🙂
