Definisi Speech Recognition
Pengenalan
ucapan atau pengenalan wicara—dalam istilah bahasa Inggrisnya, automatic speech
recognition (ASR)—adalah suatu pengembangan teknik dan sistem yang memungkinkan
komputer untuk menerima masukan berupa kata yang diucapkan. Teknologi ini
memungkinkan suatu perangkat untuk mengenali dan memahami kata-kata yang
diucapkan dengan cara digitalisasi kata dan mencocokkan sinyal digital tersebut
dengan suatu pola tertentu yang tersimpan dalam suatu perangkat. Kata-kata yang
diucapkan diubah bentuknya menjadi sinyal digital dengan cara mengubah
gelombang suara menjadi sekumpulan angka yang kemudian disesuaikan dengan
kode-kode tertentu untuk mengidentifikasikan kata-kata tersebut. Hasil dari
identifikasi kata yang diucapkan dapat ditampilkan dalam bentuk tulisan atau
dapat dibaca oleh perangkat teknologi sebagai sebuah komando untuk melakukan
suatu pekerjaan, misalnya penekanan tombol pada telepon genggam yang dilakukan
secara otomatis dengan komando suara.
Alat
pengenal ucapan, yang sering disebut dengan speech recognizer, membutuhkan
sampel kata sebenarnya yang diucapkan dari pengguna. Sampel kata akan
didigitalisasi, disimpan dalam komputer, dan kemudian digunakan sebagai basis
data dalam mencocokkan kata yang diucapkan selanjutnya. Sebagian besar alat
pengenal ucapan sifatnya masih tergantung kepada pembicara. Alat ini hanya
dapat mengenal kata yang diucapkan dari satu atau dua orang saja dan hanya bisa
mengenal kata-kata terpisah, yaitu kata-kata yang dalam penyampaiannya terdapat
jeda antar kata. Hanya sebagian kecil dari peralatan yang menggunakan teknologi
ini yang sifatnya tidak tergantung pada pembicara. Alat ini sudah dapat
mengenal kata yang diucapkan oleh banyak orang dan juga dapat mengenal
kata-kata kontinu, atau kata-kata yang dalam penyampaiannya tidak terdapat jeda
antar kata.
Pengenalan
ucapan dalam perkembangan teknologinya merupakan bagian dari pengenalan suara
(proses identifikasi seseorang berdasarkan suaranya). Pengenalan suara sendiri
terbagi menjadi dua, yaitu pengenalan pembicara (identifikasi suara berdasarkan
orang yang berbicara) dan pengenalan ucapan (identifikasi suara berdasarkan
kata yang diucapkan).
Proses kerja alat pengenal ucapan
Alat
pengenal ucapan memiliki empat tahapan dalam prosesnya, yaitu :
1. Tahap
penerimaan masukan
Masukan
berupa kata-kata yang diucapkan lewat pengeras suara.
2. Tahap
ekstraksi
Tahap
ini adalah tahap penyimpanaan masukan yang berupa suara sekaligus pembuatan basis
data sebagai pola. Proses ekstraksi dilakukan berdasarkan metode Model Markov
Tersembunyi atau Hidden Markov Model (HMM), yang merupakan model statistik dari
sebuah sistem yang diasumsikan oleh Markov sebagai suatu proses dengan
parameter yang tidak diketahui. Tantangan dalam model statistik ini adalah
menentukan parameter-parameter tersembunyi dari parameter yang dapat diamati.
Parameter-parameter yang telah kita tentukan kemudian digunakan untuk analisis
yang lebih jauh pada proses pengenalan kata yang diucapkan. Berdasarkan HMM,
proses pengenalan ucapan secara umum menghasilkan keluaran yang dapat
dikarakterisasikan sebagai sinyal. Sinyal dapat bersifat diskrit (karakter
dalam abjad) maupun kontinu (pengukuran temperatur, alunan musik). Sinyal dapat
pula bersifat stabil (nilai statistiknya tidak berubah terhadap waktu) maupun
nonstabil (nilai sinyal berubah-ubah terhadap waktu). Dengan melakukan
pemodelan terhadap sinyal secara benar, dapat dilakukan simulasi terhadap
masukan dan pelatihan sebanyak mungkin melalui proses simulasi tersebut
sehingga model dapat diterapkan dalam sistem prediksi, sistem pengenalan,
maupun sistem identifikasi. Secara garis besar model sinyal dapat dikategorikan
menjadi dua golongan, yaitu: model deterministik dan model statistikal. Model
deterministik menggunakan nilai-nilai properti dari sebuah sinyal seperti:
amplitudo, frekuensi, dan fase dari gelombang sinus. Model statistikal
menggunakan nilai-nilai statistik dari sebuah sinyal seperti: proses Gaussian,
proses Poisson, proses Markov, dan proses Markov Tersembunyi. Suatu model HMM
secara umum memiliki unsur-unsur sebagai berikut:
a. N,
yaitu jumlah bagian dalam model. Secara umum bagian tersebut saling terhubung
satu dengan yang lain, dan suatu bagian bisa mencapai semua bagian yang lain,
serta sebaliknya (disebut dengan model ergodik). Namun hal tersebut tidak
mutlak karena terdapat kondisi lain dimana suatu bagian hanya bisa berputar ke
diri sendiri dan berpindah ke satu bagian berikutnya. Hal ini bergantung pada
implementasi dari model.
b. M,
yaitu jumlah simbol observasi secara unik pada tiap bagiannya, misalnya:
karakter dalam abjad, dimana bagian diartikan sebagai huruf dalam kata.
c. Probabilita
Perpindahan Bagian { } = ij A a
d. Probabilita
Simbol Observasi pada bagian j, { } () = j Bb k
e. Inisial
Distribusi Bagian i p p
Setelah
memberikan nilai N, M, A, B, dan p , maka proses ekstraksi dapat diurutkan.
Berikut adalah tahapan ekstraksi pengenalan ucapan berdasarkan HMM :
a. Tahap
ekstraksi tampilan
Penyaringan sinyal suara
dan pengubahan sinyal suara analog ke digital
b. Tahap
tugas pemodelan
Pembuatan suatu model HMM
dari data-data yang berupa sampel ucapan sebuah kata yang sudah berupa data
digital
c. Tahap
sistem pengenalan HMM
Penemuan parameter-parameter
yang dapat merepresentasikan sinyal suara untuk analisis lebih lanjut.
3. Tahap
pembandingan
Tahap
ini merupakan tahap pencocokan data baru dengan data suara (pencocokan tata
bahasa) pada pola. Tahap ini dimulai dengan proses konversi sinyal suara
digital hasil dari proses ekstraksi ke dalam bentuk spektrum suara yang akan
dianalisa dengan membandingkannya dengan pola suara pada basis data.
Sebelumnya, data suara masukan dipilah-pilah dan diproses satu per satu
berdasarkan urutannya. Pemilihan ini dilakukan agar proses analisis dapat
dilakukan secara paralel. Proses yang pertama kali dilakukan ialah memproses
gelombang kontinu spektrum suara ke dalam bentuk diskrit. Langkah berikutnya
ialah proses kalkulasi yang dibagi menjadi dua bagian :
a. Transformasi
gelombang diskrit menjadi data yang terurut
Gelombang diskrit
berbentuk masukan berukuran n yang menjadi objek yang akan dibagi pada proses
konversi dengan cara pembagian rincian waktu
b. Menghitung
frekuensi pada tiap elemen data yang terurut
Selanjutnya tiap elemen
dari data yang terurut tersebut dikonversi ke dalam bentuk bilangan biner. Data
biner tersebut nantinya akan dibandingkan dengan pola data suara dan kemudian
diterjemahkan sebagai keluaran yang dapat berbentuk tulisan ataupun perintah
pada perangkat.
4. Tahap
validasi identitas pengguna
Alat
pengenal ucapan yang sudah memiliki sistem verifikasi/identifikasi suara akan
melakukan identifikasi orang yang berbicara berdasarkan kata yang diucapkan
setelah menerjemahkan suara tersebut menjadi tulisan atau komando.
SUMBER
:
Tidak ada komentar:
Posting Komentar