A API de fala do Google possui recursos de fala em áudio para texto em vários idiomas. Também suporta turco. Esse idioma é muito interessante, é chamado aglutinante : você cola partes das palavras uma após a outra, em vez de preposições e outras partes em idiomas como o inglês. Isso leva a um vocabulário de tamanho praticamente ilimitado.

Você sabe como o Google implementou o reconhecimento de fala turco para a API deles? Não acredito que eles usaram as mesmas técnicas do inglês.

ATUALIZAR

Aqui está um exemplo de transcrição que a API do Google retornou do seguinte clipe no YouTube:

você teria que perguntar a ele que eu não tenho idéia Yahoo respostas Eu era Adam Scott realmente em Jumanji no The Truman Show Eu o procurei no iTunes, dizendo que, nos filmes em que ela está, era Jumanji e The Truman Show eu não * * * * acredite que vai ouvir Eu não estou em nenhum desses filmes, então sim, você realmente não deveria * * * *

Eu acho que é uma excelente qualidade de transcrição. Usei meus belos monitores AudioEngine e coloquei um microfone de computador LabTec de 20 anos de idade ruim na frente dele. Uma configuração verdadeiramente amadora, mas é assim que essas coisas serão usadas na prática, ou seja, em situações abaixo da ideal.

Aqui está um exemplo de uma cena de filme turco :

merhaba Temmuz Ben tem carpas e keyifler nasylsınız iyidir inşallah İyi valla koşturuyoruz nasıl olsun Hem kardeş lafı uzatmadan konuya girsek anlattı bana ikinci el işçiliğiir işideyi dızel ilir

Este é basicamente incompreensível. Ele pega algumas palavras aqui e ali, mas é difícil conectá-las, como no exemplo em inglês.

Isso significa que o Google não está usando uma solução personalizada para turco? Talvez eles desejem redirecionar seus mecanismos de inglês para o turco?

Apenas por diversão, enviei um clipe do falante do idioma azeri . Seu discurso é claramente enunciado, mas a API mal conseguiu algumas palavras. Eu usei a configuração turca, então não é justo, realmente, mas os idiomas são semelhantes:

ou akşam Çağlayan Doruk sevgilin kim bu kim baktı Bülent Serttaş çok pis

O que é usado na produção geralmente não é divulgado. Não estou ciente de o Google divulgar como funciona o atual sistema de reconhecimento de fala automatizado (ASR) que eles usam na produção. Uma maneira de aproximar seria digitalizar o ICASSP / Interspeech / etc. procedimentos para publicações do Google.

De qualquer forma, deixando o Google de lado: a questão pode ser generalizada como " Como executar o ASR em idiomas com dicionários grandes ou abertos? ".

Uma maneira de fazer isso é usar a modelagem de linguagem de sub-palavras , por exemplo, de {1}:

Resumo: Neste estudo, são examinadas algumas soluções para problemas de palavras fora do vocabulário (OOV) de sistemas de reconhecimento automático de fala (ASR), desenvolvidos para idiomas aglutinativos como o turco, e uma melhoria para esse problema é proposta. Foi demonstrado que o uso de modelos de linguagem de sub-palavras supera os modelos baseados em palavras, reduzindo a proporção de palavras OOV em idiomas com morfologia complexa.

ou de {2}:

Resumo: Estudos de reconhecimento de fala turcos foram acelerados recentemente. Com esses esforços, não apenas o corpo de fala e texto disponível, que pode ser usado em experimentos de reconhecimento, mas também propôs novos métodos para melhorar a precisão. A natureza aglutinativa do turco causa um problema de falta de vocabulário (OOV) em tarefas de reconhecimento contínuo de fala de grande vocabulário (LVCSR). Para superar o problema de OOV, foi proposto o uso de unidades de subpalavras. Além das experiências com LVCSR, houve alguns esforços para implementar um reconhecedor de fala em domínios limitados, como radiologia. Neste artigo, apresentaremos o software de reconhecimento de fala turco, desenvolvido por meio de estudos recentes. A interface do software e as precisões de reconhecimento em dois conjuntos de testes diferentes serão resumidas. O desempenho do software foi avaliado usando radiologia e grandes conjuntos de testes de vocabulário. Para resolver praticamente o problema de OOV, propomos adaptar modelos de linguagem usando palavras ou frases frequentes. Em experimentos de reconhecimento, 90% e 44% de precisão de palavras foram alcançadas em conjuntos de testes de radiologia e vocabulário grande, respectivamente.

Referências:

• {1} Akın, Ahmet Afşın, Cemil Demir e Mehmet Uğur Doğan. "Melhorando a modelagem de linguagem de sub-palavras para reconhecimento de fala turco." Na Conferência de Processamento de Sinais e Aplicações de Comunicação (SIU), 2012 20th, pp. 1-4. IEEE, 2012. https://scholar.google.com/scholar?cluster=8818380122461969221&hl=pt_BR&as_sdt=0,5 ; http://ieeexplore.ieee.org/abstract/document/6204752/
• {2} Buyuk, Osman, Ali Haznedaroglu e Levent M. Arslan. "Software de reconhecimento de fala turco com modelo de linguagem adaptável." Em Processamento de Sinais e Aplicações de Comunicação, 2007. SIU 2007. IEEE 15th, pp. 1-4. IEEE, 2007. https://scholar.google.com/scholar?cluster=17945910226656308345&hl=pt_BR&as_sdt=0,5 ; http://ieeexplore.ieee.org/abstract/document/4298561/