← Επιστροφή στα άρθρα

 

Η λειτουργία Voice-to-Text, βασισμένη σε AI, του λογισμικού βιντεοεπιτήρησης Xeoma «ακούει» τη ροή ήχου από μια κάμερα ή έναν ξεχωριστό μικρόφωνο, εντοπίζει την ομιλία και αποθηκεύει τη μεταγραφή της σε μια αναφορά CSV ή την προβάλλει ως κείμενο πάνω στην προεπισκόπηση. Εναλλακτικά, μπορείτε να την ρυθμίσετε ώστε να αντιδρά σε συγκεκριμένες λέξεις ή φράσεις. Λειτουργεί επίσης με αρχεία ήχου .mp3 – ηχογραφήσεις συνομιλιών, εκπαιδευτικά βίντεο κ.λπ. – μεταγράφοντας την ομιλία σε κείμενο.

Η χρήση του Voice-to-Text της Xeoma δεν απαιτεί εξειδικευμένο εξοπλισμό: υποστηρίζεται η ροή ήχου από οποιαδήποτε κάμερα ή ξεχωριστό μικρόφωνο, καθώς και η χρήση τυπικών υπολογιστών εμπορίου και καρτών γραφικών.

Προειδοποίηση: αυτή η λειτουργία είναι διαθέσιμη από την έκδοση Xeoma 24.8.12 και βρίσκεται σε στάδιο beta, επομένως ενδέχεται να παραλείψει λέξεις ή να παρουσιάσει επαναλήψεις.

 

 

Η λειτουργία Voice-to-Text είναι ένα ευέλικτο εργαλείο που μπορεί να χρησιμοποιηθεί για διάφορους σκοπούς:

• Call center: μεταγραφή ενεργών κλήσεων ή ηχογραφήσεων για την παρακολούθηση της συμμόρφωσης με την εταιρική πολιτική και τα σενάρια διαλόγου
• Φροντίδα ηλικιωμένων: δυνατότητα άμεσης αντίδρασης σε κραυγή για βοήθεια
• Αστική επιτήρηση: αναγνώριση λέξεων που προμηνύουν κίνδυνο στο πλαίσιο της αντιτρομοκρατικής ασφάλειας
• Γονεϊκός έλεγχος: διασφάλιση της ασφάλειας του παιδιού, προστασία από εκφοβισμό ή από επικοινωνία με απατεώνες και παιδεραστές
• Αστυνομία: ενσωμάτωση σε φορητές κάμερες σώματος για τη μεταγραφή συνομιλιών μεταξύ αστυνομικού και υπόπτου, καθώς και για την ανίχνευση επικίνδυνων καταστάσεων
• Τράπεζες, ενεχυροδανειστήρια: κουμπί πανικού που δεν απαιτεί φυσική πίεση
• Έρευνα, ανάλυση: συλλογή στατιστικών στοιχείων στο παρασκήνιο σχετικά με τη συχνότητα χρήσης διάφορων λέξεων και άλλες μελέτες λόγου
• Μάρκετινγκ: διαπίστωση εάν οι πελάτες συζητούν μια προωθητική καμπάνια, αξιολόγηση της αντίδρασής τους σε ένα banner ή μια διαφήμιση κ.λπ.
• Κάθε επιχείρηση: αυτοματοποιημένος έλεγχος της ποιότητας εξυπηρέτησης πελατών (π.χ. ανίχνευση υβριστικών εκφράσεων)
• Φιλτράρισμα και αυτοματισμός: ανίχνευση ανεπιθύμητων ή απαγορευμένων λέξεων και φράσεων σε συνομιλίες και παραπομπή συγκεκριμένων περιστατικών για ενδελεχή εξέταση, χωρίς την ανάγκη ακρόασης όλων των συνομιλιών

Όπως βλέπετε, το εργαλείο "Voice-to-Text" του λογισμικού βιντεοεπιτήρησης Xeoma μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα σεναρίων! Δεν βελτιώνει μόνο την ασφάλεια στην ιδιωτική ζωή, στην πόλη και για τους πολίτες, καθώς και στον εμπορικό τομέα, αλλά συμβάλλει παράλληλα στη βελτιστοποίηση των επιχειρησιακών λειτουργιών.

 

 

Αρχικά, αξίζει να σημειωθεί ότι η λειτουργία εμφανίζεται στη λίστα ενοτήτων μόνο όταν το διακομιστικό μέρος (server) της Xeoma εκτελείται σε κατάλληλο hardware. Εάν δεν εντοπίζετε τη λειτουργία στη λίστα, βεβαιωθείτε ότι χρησιμοποιείτε κατάλληλο επεξεργαστή και την κατάλληλη έκδοση της Xeoma (η λειτουργία διατίθεται μόνο στην έκδοση Xeoma Pro). Επειδή η λειτουργία επεξεργάζεται ροή ήχου, απαιτείται κάποια πηγή ήχου στην αλυσίδα: είτε ένα ενσωματωμένο μικρόφωνο στην κάμερα, είτε ένα ξεχωριστό μικρόφωνο USB ή IP.

Για παράδειγμα, ας υποθέσουμε ότι στην περίπτωσή σας η ροή ήχου προέρχεται από την ίδια την IP κάμερα. Σε αυτή την περίπτωση, απλώς χρησιμοποιήστε στην Xeoma σας μια αλυσίδα ενοτήτων που αποτελείται από «Universal Camera» – «Voice-to-Text» – «Preview and Archive»:

Κάντε κλικ στο εικονίδιο Voice-to-Text στην αλυσίδα για να ανοίξετε τις ρυθμίσεις του module. Το πρώτο βήμα στη χρήση του module Voice-to-Text είναι η λήψη των πρόσθετων πόρων που απαιτούνται για τη λειτουργία του. Η διαδικασία λήψης ξεκινά αυτόματα όταν ανοίξετε για πρώτη φορά τις ρυθμίσεις του module. Μόλις ολοκληρωθεί η λήψη των πρόσθετων πόρων, το μήνυμα «Λήψη σε εξέλιξη» θα εξαφανιστεί.

 

Οι πρόσθετοι πόροι περιέχουν σύνολα δεδομένων τεχνητής νοημοσύνης (AI) στα οποία βασίζεται το Voice-to-Text και λαμβάνονται κατόπιν αιτήματος από τους διακομιστές της FelenaSoft. Δεν περιλαμβάνονται στο λογισμικό ώστε να διατηρηθεί μικρό το μέγεθος εγκατάστασης, καθώς δεν απαιτούνται σε όλα τα συστήματα CCTV.

 

Οι νέες επιλογές που εμφανίζονται μετά την ολοκλήρωση της λήψης των πρόσθετων πόρων σας επιτρέπουν να επιλέξετε ανάμεσα σε διάφορα μοντέλα αναγνώρισης φωνής με AI. Κάθε μοντέλο έχει τα δικά του πλεονεκτήματα και μειονεκτήματα – συνήθως διαφέρουν ως προς την ακρίβεια αναγνώρισης και το φορτίο στον επεξεργαστή. Συμβατικά ονομάζονται tiny, base, small, medium, large κατά σειρά αυξανόμενου μεγέθους μοντέλου, ποιότητας αναγνώρισης και φόρτου στο υλικό (hardware).

Στο πεδίο «Γλώσσα», επιλέξτε τη γλώσσα στην οποία θα παρέχεται η μεταγραφή της ομιλίας (σημειώστε ότι δεν απαιτείται να ορίσετε τη γλώσσα της ίδιας της ομιλίας).

Εάν θέλετε να μεταγραφούν όλες οι ακουστές συνομιλίες, μπορείτε απευθείας να ενεργοποιήσετε το πλαίσιο ελέγχου «Αποθήκευση δεδομένων σε αναφορά CSV». Έτσι, η μεταγραφή των συνομιλιών θα αποθηκευτεί σε αρχείο υπολογιστικού φύλλου στον δίσκο, στον φάκελο που ορίσατε, το οποίο μπορεί να ενσωματωθεί σε άλλα συστήματα, π.χ. στατιστικής ανάλυσης.

Επίσης, το Voice-to-Text μπορεί να εντοπίσει συγκεκριμένες φράσεις ή λέξεις. Καταχωρίστε τις λέξεις ή φράσεις που αναζητάτε στο πεδίο «Λέξεις-κλειδιά για αναγνώριση». Στη συνέχεια, το module θα συνεχίσει να παρακολουθεί όλο τον ήχο στην περιοχή της κάμερας ή του μικροφώνου, αλλά θα αντιδρά μόνο κατά την ανίχνευση των λέξεων-κλειδιών. Συνδέστε το επιθυμητό module αντίδρασης μετά το module Voice-to-Text για να λαμβάνετε ειδοποιήσεις, να ξεκινάτε εγγραφή ή να στέλνετε εντολές σε αυτή την περίπτωση.

Στην περίπτωσή μας, έχουμε συνδέσει το module «Προεπισκόπηση και Αρχείο» ως module προορισμού, επομένως, όταν εντοπιστούν οι καθορισμένες λέξεις-κλειδιά, θα ξεκινήσει η εγγραφή της ροής της κάμερας – διευκολύνοντας την αναζήτηση επεισοδίων με τη λέξη-κλειδί που ορίσατε. Αυτή η επιλογή μπορεί επίσης να συνδυαστεί εύκολα με την επιλογή αποθήκευσης σε αναφορά CSV: για να το κάνετε αυτό, ενεργοποιήστε το αντίστοιχο πλαίσιο παρακάτω.

Το Voice-to-Text διαθέτει τη δική του μακροεντολή – %VOICE% – η οποία μπορεί να χρησιμοποιηθεί σε modules προορισμού όπως τα «Αποστολή Email», «Εκτέλεση Εφαρμογής» ή «Αποστολή HTTP Request», εάν θέλετε να στείλετε σε αυτά τη μεταγραφή του λόγου.

 

Το Voice-to-Text της Xeoma μπορεί επίσης να χρησιμοποιηθεί από εξωτερικά προγράμματα – για παράδειγμα, για τη μεταγραφή συνομιλιών VoIP. Ακολουθώντας τις παρακάτω οδηγίες, μπορείτε να υποβάλετε ένα αρχείο .mp3 στο Voice-to-Text για αποκωδικοποίηση και να λάβετε το αποτέλεσμα ως κείμενο. Έτσι, το module αυτό μπορεί να χρησιμοποιηθεί ακόμη και σε σταθμούς εργασίας χειριστών όπου δεν υπάρχει Xeoma ή κάμερες. Αυτό μπορεί να γίνει με δύο τρόπους: μέσω του Xeoma API ή εκτελώντας μια εντολή κονσόλας. Σημαντικό: υποστηρίζονται μόνο αρχεία .mp3.

1. API. Για την πρώτη επιλογή, πρέπει να χρησιμοποιήσετε το Xeoma API με αιτήματα JSON. Μέσω εντολών, μπορείτε να στείλετε αίτημα σε έναν απομακρυσμένο ή τοπικό διακομιστή Xeoma για τη μεταγραφή ενός αρχείου .mp3 σε κείμενο.

Για παράδειγμα:
curl -F "audio_file=@speech.mp3" "http://192.168.0.135:10090/api?login=Administrator&password=123&speech_recognition=recognition&model=large&language=en&denoise=true"

όπου
το «speech.mp3» πρέπει να αντικατασταθεί με τη διαδρομή προς το ηχητικό αρχείο στον υπολογιστή σας·

το «192.168.0.135:10090» πρέπει να αντικατασταθεί από τη διεύθυνση IP ενός ενεργού διακομιστή Xeoma, ο οποίος είναι διαμορφωμένος για την εκτέλεση του Voice-to-Text, και από τη θύρα του (συνήθως 10090)·

το «Administrator» πρέπει να παραμείνει ως έχει, καθώς η λειτουργία αυτή διατίθεται αποκλειστικά για το προφίλ διαχειριστή (Administrator) της πλατφόρμας Xeoma

Το “123” πρέπει να αντικατασταθεί με τον κωδικό πρόσβασης του προφίλ Διαχειριστή του Xeoma

Στο “model=large” επιλέγετε το μοντέλο αναγνώρισης. Δείτε περισσότερες επιλογές παραπάνω

Η παράμετρος "denoise=true" συμπεριλαμβάνεται εάν επιθυμείτε να ενεργοποιήσετε την εξάλειψη θορύβου, η οποία σε ορισμένες περιπτώσεις βελτιώνει την ακρίβεια της αναγνώρισης

Το "en" πρέπει να αντικατασταθεί με τον κωδικό γλώσσας 2-3 χαρακτήρων (βλ. παρακάτω) για τη γλώσσα στην οποία θέλετε να λάβετε το μεταγραμμένο κείμενο. Εάν διαφέρει από την πραγματική γλώσσα ομιλίας που ανιχνεύει η λειτουργία Voice-to-Text, το κείμενο θα μεταφραστεί αυτόματα στη γλώσσα που ορίσατε.

Σημείωση: Αυτό το αίτημα θα επιστρέψει τη μεταγραφή του αρχείου απευθείας στην κονσόλα ή στο εργαλείο που χρησιμοποιείτε για την αποστολή του. Εάν προτιμάτε να αποθηκεύσετε τη μεταγραφή ως αρχείο κειμένου, προσθέστε το ">filename.txt" μετά την εντολή:

curl -F "audio_file=@speech.mp3" "http://192.168.0.135:10090/api?login=Administrator&password=123&speech_recognition=recognition&model=large&language=en&denoise=true">savetext.txt
όπου
το savetext.txt πρέπει να αντικατασταθεί με το όνομα που θέλετε να έχει το αρχείο μεταγραφής.

 

2. Εκτέλεση εντολής. Η δεύτερη επιλογή σας επιτρέπει να πραγματοποιήσετε την αναγνώριση τοπικά στον υπολογιστή μέσω εντολών στην κονσόλα, αντί μέσω API.

Παράδειγμα:

{Path to Xeoma executable file} -speech2text file.mp3;out.log;large;en;denoise

όπου
το “file.mp3” πρέπει να αντικατασταθεί με τη διαδρομή του ηχητικού αρχείου στον υπολογιστή σας

το "out.log" πρέπει να αντικατασταθεί με τη διαδρομή και το όνομα του αρχείου κειμένου με τη μεταγραφή

Στο “large” επιλέγετε το μοντέλο αναγνώρισης. Δείτε περισσότερες επιλογές παραπάνω

Το "en" πρέπει να αντικατασταθεί με τον κωδικό γλώσσας 2-3 χαρακτήρων (βλ. παρακάτω) για τη γλώσσα στην οποία θέλετε να λάβετε το μεταγραμμένο κείμενο. Εάν διαφέρει από την πραγματική γλώσσα ομιλίας που ανιχνεύει η λειτουργία Voice-to-Text, το κείμενο θα μεταφραστεί αυτόματα στη γλώσσα που ορίσατε.

Η παράμετρος "denoise" συμπεριλαμβάνεται εάν επιθυμείτε να ενεργοποιήσετε την εξάλειψη θορύβου, η οποία σε ορισμένες περιπτώσεις βελτιώνει την ακρίβεια της αναγνώρισης.

Λίστα κωδικών γλωσσών:

“en”: “αγγλικά”,
“zh”: “κινεζικά”,
“de”: “γερμανικά”,
“es”: “ισπανικά”,
“ru”: “ρωσικά”,
“ko”: “κορεατικά”,
“fr”: “γαλλικά”,
“ja”: “ιαπωνικά”,
“pt”: “πορτογαλικά”,
“tr”: “τουρκικά”,
“pl”: “πολωνικά”,
“ca”: “καταλανικά”,
“nl”: “ολλανδικά”,
“ar”: “αραβικά”,
“sv”: “σουηδικά”,
“it”: “ιταλικά”,
“id”: “ινδονησιακά”,
“hi”: “ινδικά”,
“fi”: “φινλανδικά”,
“vi”: “βιετναμέζικα”,
“he”: “εβραϊκά”,
“uk”: “ουκρανικά”,
“el”: “ελληνικά”,
"ms": "μαλαϊκά",
“cs”: “τσεχικά”,
“ro”: “ρουμανικά”,
“da”: “δανέζικα”,
“hu”: “ουγγρικά”,
“ta”: “ταμιλικά”,
“no”: “νορβηγικά”,
“th”: “ταϊλανδέζικα”,
“ur”: “ουρντού”,
“hr”: “κροατικά”,
“bg”: “βουλγαρικά”,
“lt”: “λιθουανικά”,
“la”: “λατινικά”,
“mi”: “μαορί”,
“ml”: “μαλαγιαλάμ”,
“cy”: “ουαλικά”,
“sk”: “σλοβακικά”,
“te”: “τελούγου”,
“fa”: “περσικά”,
“lv”: “λατβικά”,
“bn”: “βεγγαλικά”,
“sr”: “σερβικά”,
“az”: “αζερμπαϊτζανικά”,
“sl”: “σλοβενικά”,
“kn”: “κανάντα”,
“et”: “εστονιακά”,
“mk”: “μακεδονικά”,
“br”: “βρετονικά”,
"eu": "βασκικά",
“is”: “ισλανδικά”,
“hy”: “αρμενικά”,
“ne”: “νεπαλί”,
“mn”: “μογολικά”,
“bs”: “βοσνιακά”,
“kk”: “καζακικά”,
“sq”: “αλβανικά”,
“sw”: “σουαχίλι”,
"gl": "γαλικιανά",
“mr”: “μαραθικά”,
“pa”: “παντζαμπικά”,
“si”: “σινχάλα”,
“km”: “κμέρ”,
“sn”: “σόνα”,
“yo”: “γιορούμπα”,
“so”: “σομαλί”,
“af”: “αφρικάανς”,
“oc”: “οξιτανικά”,
"ka": "γεωργιανά",
“be”: “λευκορωσικά”,
“tg”: “τατζικικά”,
“sd”: “σίντι”,
“gu”: “γκουτζαράτι”,
“am”: “αμχαρικά”,
“yi”: “γίντις”,
"lo": "λαοτινά",
“uz”: “ουζμπεκικά”,
“fo”: “φαροέζικα”,
“ht”: “κρεόλ Αϊτής”,
“ps”: “παστου”,
“tk”: “τουρκμενικά”,
“nn”: “νυνορσκ”,
“mt”: “μαλτέζικα”,
“sa”: “σανσκριτ”,
“lb”: “λουξεμβουργικά”,
"my": "μυανμαρικά",
"bo": "θιβετιανά",
“tl”: “ταγκαλόγκ”,
“mg”: “μαλγκασικά”,
“as”: “ασαμεζικά”,
“tt”: “τατάρα”,
“haw”: “χαβαϊανικά”,
“ln”: “λινγκάλα”,
“ha”: “χαούσα”,
“ba”: “μπασκιρικά”,
“jw”: “τζαβανέζικα”,
“su”: “σουντανέζικα”,
“yue”: “καντονέζικα”.

 

1. Κατεβάστε το Xeoma από τον ιστότοπό μας και εκκινήστε το. Βεβαιωθείτε ότι το τμήμα του διακομιστή του Xeoma εκτελείται σε μηχάνημα με τον απαιτούμενο επεξεργαστή.
Επίσης, βεβαιωθείτε ότι το Xeoma εκτελείται στην δοκιμαστική έκδοση ή ενεργοποιήστε μια άδεια Xeoma Pro για τη χρήση αυτής της λειτουργίας.
2. Προσθέστε μια κάμερα ή περιμένετε το Xeoma να εντοπίσει και να προσθέσει αυτόματα τις κάμερες που βρίσκονται στο δίκτυό σας. Εάν χρειάζεται να χρησιμοποιήσετε ξεχωριστό μικρόφωνο που δεν είναι ενσωματωμένο στην κάμερα, συνδέστε το module «Microphone» και επιλέξτε την αντίστοιχη πηγή ήχου.
3. Προσθέστε το module «Voice-to-Text» στην αλυσίδα και ρυθμίστε το.
4. Εάν χρειάζεται, προσθέστε άλλα modules για να ορίσετε τις απαραίτητες αντιδράσεις, π.χ. αρχειοθέτηση εγγραφής, αποστολή email ή κάποια δική σας αντίδραση.
5. Ολοκληρώθηκε! Τώρα μπορείτε να αξιοποιήσετε την κορυφαία τεχνολογία αναγνώρισης ομιλίας του Xeoma.

 

*Το module Voice-to-Text εμφανίζεται και λειτουργεί μόνο στους εξής επεξεργαστές: Επεξεργαστές Intel 64-bit των εξής σειρών: -Επεξεργαστές Intel Core από την 4η γενιά και άνω (συμπεριλαμβανομένων των γενεών 10+)· -Επεξεργαστές XEON από την 6η γενιά και άνω· -Επεξεργαστές Atom των σειρών «C23», «C25», «C27», «C33», «C35», «C37», «C38», «C39», «P59», «Z34», «Z35», «x5-E39» ή «x5-E8000»· -Επεξεργαστές Intel Xeon σειράς E5-24, i5-2450M ή i7-2600. Αν και το module μπορεί να λειτουργήσει χρησιμοποιώντας την ισχύ της CPU, συνιστάται η χρήση κάρτας γραφικών στον διακομιστή.

 

 

 

 

Έχετε ερωτήσεις; Χρειάζεστε βοήθεια; Επικοινωνήστε μαζί μας! Θα χαρούμε να σας βοηθήσουμε!

14 Αυγούστου 2024

Διαβάστε περισσότερα:
Πρόσθετα modules στο Xeoma
Λίστα τιμών για modules βασισμένα σε AI στο Xeoma