← लेखों पर वापस

 

Xeoma वीडियो निगरानी सॉफ़्टवेयर का AI-संचालित Voice-to-Text मॉड्यूल कैमरे या अलग माइक्रोफ़ोन से आने वाले ऑडियो स्ट्रीम को 'सुनता' है, वाक् को पहचानता है और उसका ट्रांसक्रिप्ट CSV रिपोर्ट में सहेजता है या पूर्वावलोकन पर टेक्स्ट के रूप में प्रदर्शित करता है। वैकल्पिक रूप से, आप इसे विशिष्ट शब्दों या वाक्यांशों पर प्रतिक्रिया देने के लिए सेट कर सकते हैं। यह .mp3 ऑडियो फ़ाइलों—जैसे बातचीत की रिकॉर्डिंग, प्रशिक्षण वीडियो आदि—के साथ भी काम कर सकता है, जिससे वाक् को ट्रांसक्राइब करके टेक्स्ट के रूप में उपलब्ध कराया जाता है।

Xeoma के वॉइस-टू-टेक्स्ट के लिए किसी विशेष उपकरण की आवश्यकता नहीं है: किसी भी कैमरे या बाहरी माइक्रोफ़ोन की ऑडियो स्ट्रीम और सामान्य ऑफ-द-शेल्फ कंप्यूटर तथा वीडियो ग्राफ़िक्स कार्ड इसके लिए उपयुक्त हैं।

चेतावनी: यह मॉड्यूल Xeoma 24.8.12 से उपलब्ध है और beta अवस्था में है, इसलिए यह कुछ शब्दों को छोड़ सकता है या इसमें लूप हो सकते हैं।

 

 

Voice-to-Text मॉड्यूल एक लचीला उपकरण है जिसका उपयोग विभिन्न उद्देश्यों के लिए किया जा सकता है:

• कॉल सेंटर: कंपनी नीति और संवाद स्क्रिप्ट के अनुपालन की निगरानी के लिए लाइव कॉल या कॉल रिकॉर्डिंग का ट्रांसक्रिप्शन
• वरिष्ठ नागरिकों की देखभाल: सहायता की पुकार पर तुरंत प्रतिक्रिया देने की क्षमता
• शहरी निगरानी: आतंकवाद विरोधी सुरक्षा में खतरे का संकेत देने वाले शब्दों की पहचान
• पेरेंटल कंट्रोल: बच्चे की सुरक्षा सुनिश्चित करने और उन्हें उत्पीड़न, धोखेबाजों या दुर्व्यवहार करने वालों से बचाने में सहायता
• पुलिस: बॉडी-वर्न कैमरों का हिस्सा, जो पुलिस अधिकारी और संदिग्ध के बीच वार्तालाप का ट्रांसक्रिप्शन करता है और खतरनाक स्थिति का पता लगाने की क्षमता प्रदान करता है
• बैंक, साहूकार: पैनिक बटन जिसे भौतिक रूप से दबाने की आवश्यकता नहीं है
• अनुसंधान, विश्लेषण: विभिन्न शब्दों के उपयोग की आवृत्ति पर आंकड़ों का पृष्ठभूमि संग्रह और अन्य वाक-संबंधित अध्ययन
• विपणन: यह पता लगाना कि ग्राहक किसी प्रचार अभियान के बारे में चर्चा कर रहे हैं या किसी बैनर या विज्ञापन पर उनकी प्रतिक्रिया क्या है, आदि।
• कोई भी व्यवसाय: ग्राहक सेवा गुणवत्ता का स्वचालित नियंत्रण (उदाहरण के लिए, अभद्र शब्दों का पता लगाना)
• फ़िल्टरिंग और स्वचालन: वार्तालाप में अवांछित या प्रतिबंधित शब्दों या वाक्यांशों का पता लगाना और सभी वार्तालाप सुनने के बजाय केवल ऐसे विशिष्ट प्रसंगों को गहन जांच के लिए निर्देशित करना

जैसा कि आप देख सकते हैं, Xeoma वीडियो निगरानी प्रोग्राम के "Voice-to-Text" उपकरण का उपयोग व्यापक परिदृश्यों में किया जा सकता है! यह न केवल निजी जीवन, शहर और नागरिकों की सुरक्षा बेहतर बनाता है, बल्कि व्यावसायिक क्षेत्र में भी सुरक्षा बढ़ाता है और व्यवसाय संचालन को अनुकूलित करने में योगदान देता है।

 

 

सबसे पहले, यह ध्यान देना महत्वपूर्ण है कि यह मॉड्यूल सूची में केवल तभी दिखाई देता है जब Xeoma का सर्वर भाग उपयुक्त हार्डवेयर पर चल रहा हो। यदि आपको सूची में यह मॉड्यूल नहीं मिलता है, तो सुनिश्चित करें कि आप उपयुक्त प्रोसेसर और Xeoma के सही संस्करण का उपयोग कर रहे हैं (यह मॉड्यूल केवल Xeoma Pro संस्करण में उपलब्ध है)। चूंकि यह मॉड्यूल ऑडियो स्ट्रीम के साथ काम करता है, इसलिए आपके पास सिस्टम चेन में एक ध्वनि स्रोत होना चाहिए: या तो कैमरे में बना माइक्रोफ़ोन, या एक बाहरी USB या IP माइक्रोफ़ोन।

उदाहरण के लिए, मान लें कि आपके मामले में ध्वनि स्ट्रीम IP कैमरे से ही आ रही है। इस स्थिति में, अपने Xeoma में बस उस मॉड्यूल चेन का उपयोग करें जिसमें "Universal Camera" – "Voice-to-Text" – "Preview and Archive" हो:

चेन में Voice-to-Text आइकन पर क्लिक करके मॉड्यूल सेटिंग्स खोलें। Voice-to-Text मॉड्यूल का उपयोग करने का पहला चरण इसके लिए आवश्यक अतिरिक्त संसाधनों को डाउनलोड करना है। मॉड्यूल सेटिंग्स पहली बार खोलने पर डाउनलोड प्रक्रिया स्वतः शुरू हो जाएगी। अतिरिक्त संसाधनों का डाउनलोड पूरा होते ही "Downloading in progress" संदेश गायब हो जाएगा।

 

अतिरिक्त संसाधनों में आर्टिफिशियल इंटेलिजेंस के लिए डेटा एरे होते हैं, जिन पर Voice-to-Text आधारित है, और इन्हें FelenaSoft के सर्वर से अनुरोध पर डाउनलोड किया जाता है। प्रोग्राम का आकार छोटा रखने के लिए इन्हें सॉफ्टवेयर के साथ शामिल नहीं किया जाता, क्योंकि सभी CCTV सिस्टम में इनकी आवश्यकता नहीं होती।

 

अतिरिक्त संसाधनों के डाउनलोड पूरा होने के बाद उपलब्ध होने वाले नए विकल्प आपको स्पीच रिकग्निशन के लिए उपयोग किए जाने वाले कई AI-संचालित वॉइस रिकग्निशन मॉडल में से चुनने की सुविधा देते हैं। प्रत्येक मॉडल की अपनी खूबियां और कमियां होती हैं – आमतौर पर, वे रिकग्निशन सटीकता और प्रोसेसर लोड के स्तर में भिन्न होते हैं। मॉडल के आकार, रिकग्निशन गुणवत्ता और हार्डवेयर लोड के बढ़ते क्रम में इन्हें tiny, base, small, medium, large कहा जाता है।

"Language" फील्ड में वह भाषा चुनें जिसमें स्पीच का transcript प्रदान किया जाएगा (ध्यान दें कि स्वयं speech की भाषा निर्दिष्ट करने की आवश्यकता नहीं है)।

यदि आप सभी सुनाई देने वाली बातचीत को ट्रांसक्राइब करना चाहते हैं, तो सीधे "Save data in CSV report" चेकबॉक्स पर जाकर उसे चुनें। इस प्रकार, बातचीत का ट्रांसक्रिप्ट डिस्क पर आपके द्वारा निर्दिष्ट डायरेक्टरी में एक स्प्रेडशीट फाइल में सहेजा जाएगा, जिसे अन्य सिस्टम, जैसे कि सांख्यिकीय सिस्टम में एकीकृत किया जा सकता है।

इसके अलावा, "Voice-to-Text" निश्चित वाक्यांशों या शब्दों का पता लगा सकता है। "Keywords for recognition" फील्ड में खोजे जाने वाले शब्दों या वाक्यांशों को निर्दिष्ट करें। इसके बाद, मॉड्यूल कैमरे या माइक्रोफ़ोन के आसपास की सभी स्पीच को सुनता रहेगा, लेकिन केवल कीवर्ड्स सुनाई देने पर ही प्रतिक्रिया देगा। इस स्थिति में सूचना प्राप्त करने, रिकॉर्डिंग शुरू करने या कमांड भेजने के लिए "Voice-to-Text" मॉड्यूल के बाद वांछित रिएक्शन मॉड्यूल को कनेक्ट करें।

हमारे मामले में, हमने गंतव्य मॉड्यूल के रूप में "Preview and Archive" मॉड्यूल को कनेक्ट किया है, इसलिए जब निर्धारित कीवर्ड्स का पता चलता है, तो यह कैमरा स्ट्रीम की रिकॉर्डिंग शुरू कर देगा – और आपके द्वारा निर्दिष्ट कीवर्ड वाले एपिसोड खोजने की सुविधा देगा। इस विकल्प को CSV रिपोर्ट में सहेजने के विकल्प के साथ भी आसानी से जोड़ा जा सकता है: ऐसा करने के लिए, नीचे दिए गए संबंधित बॉक्स को चुनें।

"Voice-to-Text" का अपना मैक्रो %VOICE% है – जिसका उपयोग "Email Sending", "Application Runner" या "HTTP Request Sender" जैसे गंतव्य मॉड्यूल में किया जा सकता है यदि आप उनमें स्पीच का ट्रांसक्रिप्शन भेजना चाहते हैं।

 

Xeoma के Voice-to-Text में बाहरी प्रोग्राम्स से उपयोग किए जाने की क्षमता भी है – उदाहरण के लिए, VoIP बातचीत को ट्रांसक्राइब करने के लिए। नीचे दिए गए निर्देशों का पालन करके, आप डिकोड करने के लिए Voice-to-Text को एक .mp3 फाइल दे सकते हैं और परिणाम टेक्स्ट के रूप में प्राप्त कर सकते हैं। इस प्रकार, इस मॉड्यूल का उपयोग उन ऑपरेटर वर्कस्टेशन पर भी किया जा सकता है जहाँ Xeoma या कैमरे नहीं हैं। यह दो तरीकों से किया जा सकता है: Xeoma API के माध्यम से या कंसोल कमांड चलाकर। महत्वपूर्ण: केवल .mp3 फाइलें समर्थित हैं।

1. API. पहले विकल्प के लिए, आपको JSON requests के साथ Xeoma API का उपयोग करना होगा। कमांड का उपयोग करके, आप किसी रिमोट या लोकल Xeoma सर्वर को .mp3 फाइल को टेक्स्ट में ट्रांसक्राइब करने का अनुरोध भेज सकते हैं।

उदाहरण के लिए:
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"

जहाँ
"speech.mp3" को आपके कंप्यूटर पर ऑडियो फाइल के पथ से बदला जाना चाहिए;

"192.168.0.135:10090" को एक चालू Xeoma सर्वर के IP पते से बदला जाना चाहिए जो Voice-to-Text चलाने के लिए उपयुक्त हो, और उसके पोर्ट (आमतौर पर 10090) से;

"Administrator" को वैसा ही रखा जाना चाहिए क्योंकि यह केवल Xeoma के Administrator प्रोफाइल के लिए उपलब्ध है;

"123" को Xeoma के Administrator प्रोफ़ाइल के पासवर्ड से बदलें;

“model=large” से आप रिकग्निशन मॉडल चुन सकते हैं। विकल्पों के लिए ऊपर देखें;

यदि आप नॉइज़ कैंसलेशन सक्षम करना चाहते हैं, तो "denoise=true" शामिल करें; इससे कुछ मामलों में रिकग्निशन की सटीकता बढ़ती है;

"en" को उस भाषा के 2-3 अक्षरों वाले कोड (नीचे देखें) से बदलें जिसमें आप ट्रांसक्राइब किया गया टेक्स्ट प्राप्त करना चाहते हैं। यदि यह उस वास्तविक बोली जाने वाली भाषा से भिन्न है जिसे Voice-to-Text सुन रहा है, तो इसे स्वचालित रूप से आपके द्वारा निर्दिष्ट भाषा में अनुवादित कर दिया जाएगा।

नोट: यह रिक्वेस्ट आपको सीधे कंसोल में या उस टूल में फ़ाइल का टेक्स्ट ट्रांसक्रिप्शन देगी जिसके ज़रिए आप रिक्वेस्ट भेज रहे हैं। यदि आप ट्रांसक्रिप्शन को टेक्स्ट फ़ाइल के रूप में सेव करना चाहते हैं, तो कमांड के बाद “>filename.txt” जोड़ें:

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
जहाँ
savetext.txt को उस नाम से बदलें जो आप ट्रांसक्रिप्शन फ़ाइल के लिए रखना चाहते हैं।

 

2. कमांड लॉन्च करें। दूसरा विकल्प आपको API के बजाय PC पर स्थानीय रूप से उन कमांड्स के माध्यम से रिकग्निशन करने की सुविधा देता है जिन्हें आप कंसोल में निष्पादित कर सकते हैं।

उदाहरण:

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

जहाँ
"file.mp3" को अपने कंप्यूटर पर ऑडियो फ़ाइल के पथ से बदलें;

"out.log" को परिणामी ट्रांसक्रिप्शन टेक्स्ट फ़ाइल के पथ और उसके नाम से बदलें;

"large" वह स्थान है जहाँ आप recognition मॉडल चुनते हैं। विकल्पों के बारे में अधिक जानकारी ऊपर देखें;

"en" को उस भाषा के 2-3 अक्षरों वाले कोड (नीचे देखें) से बदलें जिसमें आप transcribed text प्राप्त करना चाहते हैं। यदि यह उस वास्तविक भाषा से भिन्न है जिसे Voice-to-Text सुन रहा है, तो इसे स्वचालित रूप से आपके द्वारा निर्दिष्ट भाषा में अनुवादित कर दिया जाएगा।

"denoise" तब शामिल करें यदि आप noise cancellation भी सक्षम करना चाहते हैं, जो कुछ मामलों में recognition की सटीकता बढ़ाने में सहायक होता है।

भाषा कोड की सूची:

“en”: “अंग्रेजी”,
“zh”: “चीनी”,
“de”: “जर्मन”,
“es”: “स्पेनिश”,
“ru”: “रूसी”,
“ko”: “कोरियाई”,
“fr”: “फ्रेंच”,
“ja”: “जापानी”,
“pt”: “पुर्तगाली”,
“tr”: “तुर्की”,
“pl”: “पोलिश”,
“ca”: “कैटलन”,
“nl”: “डच”,
“ar”: “अरबी”,
“sv”: “स्वीडिश”,
“it”: “इतालवी”,
“id”: “इंडोनेशियाई”,
“hi”: “हिंदी”,
“fi”: “फिनिश”,
“vi”: “वियतनामी”,
“he”: “हिब्रू”,
“uk”: “यूक्रेनी”,
“el”: “ग्रीक”,
“ms”: “मलय”,
“cs”: “चेक”,
“ro”: “रोमानियाई”,
“da”: “डेनिश”,
“hu”: “हंगेरियन”,
“ta”: “तमिल”,
“no”: “नार्वेजियन”,
“th”: “थाई”,
“ur”: “उर्दू”,
“hr”: “क्रोएशियाई”,
“bg”: “बल्गेरियाई”,
“lt”: “लिथुआनियाई”,
“la”: “लैटिन”,
“mi”: “माओरी”,
“ml”: “मलयालम”,
“cy”: “वेल्श”,
“sk”: “स्लोवाक”,
“te”: “तेलुगु”,
“fa”: “फारसी”,
“lv”: “लातवियाई”,
“bn”: “बंगाली”,
“sr”: “सर्बियन”,
“az”: “अज़रबैजानी”,
“sl”: “स्लोवेनियाई”,
“kn”: “कन्नड़”,
“et”: “एस्टोनियन”,
“mk”: “मैसेडोनियन”,
“br”: “ब्रेटन”,
“eu”: “बास्क”,
“is”: “आइसलैंडिक”,
“hy”: “आर्मेनियाई”,
“ne”: “नेपाली”,
“mn”: “मंगोलियाई”,
“bs”: “बोस्नियाई”,
“kk”: “कजाख”,
“sq”: “अल्बानियाई”,
“sw”: “स्वाहिली”,
“gl”: “गैलिशियन”,
“mr”: “मराठी”,
“pa”: “पंजाबी”,
“si”: “सिंहली”,
“km”: “खमेर”,
“sn”: “शोना”,
“yo”: “योरूबा”,
“so”: “सोमाली”,
“af”: “अफ्रीकांस”,
“oc”: “ऑक्सिटन”,
“ka”: “जॉर्जियाई”,
“be”: “बेलारूसी”,
“tg”: “ताजिक”,
“sd”: “सिंधी”,
“gu”: “गुजराती”,
“am”: “अम्हारिक”,
“yi”: “यिडिश”,
“lo”: “लाओ”,
“uz”: “उज्बेक”,
“fo”: “फेरोइज”,
“ht”: “हैती क्रीयोल”,
“ps”: “पश्तो”,
“tk”: “तुर्कमेन”,
“nn”: “निनोर्स्क”,
“mt”: “माल्टीज़”,
“sa”: “संस्कृत”,
“lb”: “लक्समबर्गिश”,
“my”: “म्यांमार”,
“bo”: “तिब्बती”,
“tl”: “तागालोग”,
“mg”: “मालागासी”,
“as”: “असमिया”,
“tt”: “तातार”,
“haw”: “हवाइयन”,
“ln”: “लिंगाला”,
“ha”: “हौसा”,
“ba”: “बाश्किर”,
“jw”: “जावानीज”,
“su”: “सुंदानीज”,
“yue”: “कैंटोनीज़”।

 

1. हमारी वेबसाइट से Xeoma डाउनलोड करें और इसे लॉन्च करें। सुनिश्चित करें कि Xeoma का सर्वर भाग आवश्यक प्रोसेसर वाली मशीन पर चल रहा है।
यह भी सुनिश्चित करें कि Xeoma Trial edition में चल रहा है, या इस मॉड्यूल के साथ काम करने के लिए Xeoma Pro लाइसेंस सक्रिय करें।
2. कैमरा जोड़ें या Xeoma द्वारा आपके नेटवर्क में मौजूद कैमरों को स्वतः जोड़े जाने तक प्रतीक्षा करें। यदि आपको कैमरे में बिल्ट-इन माइक्रोफ़ोन के बजाय बाहरी माइक्रोफ़ोन का उपयोग करना है, तो "Microphone" मॉड्यूल कनेक्ट करें और उपयुक्त ध्वनि स्रोत चुनें।
3. चेन में "Voice-to-Text" मॉड्यूल जोड़ें और इसे सेट अप करें।
4. यदि आवश्यक हो, तो आवश्यक प्रतिक्रियाएँ सेट करने के लिए अन्य मॉड्यूल जोड़ें, जैसे आर्काइव रिकॉर्डिंग, ईमेल भेजना, या आपकी अपनी कस्टम प्रतिक्रिया।
5. पूर्ण! अब आप Xeoma की उत्कृष्ट बौद्धिक स्पीच रिकग्निशन का उपयोग कर सकते हैं।

 

*Voice-to-Text मॉड्यूल केवल निम्नलिखित प्रोसेसर पर ही दिखाई देता है और कार्य करता है: निम्नलिखित श्रृंखला के Intel 64-bit प्रोसेसर: -4थी पीढ़ी (10+ पीढ़ियों सहित) से शुरू होने वाले Intel Core प्रोसेसर; -6ठी पीढ़ी से शुरू होने वाले XEON प्रोसेसर; -"C23", "C25", "C27", "C33", "C35", "C37", "C38", "C39", "P59", "Z34", "Z35", "x5-E39", या "x5-E8000" श्रृंखला के Atom प्रोसेसर; -Intel Xeon E5-24 श्रृंखला, i5-2450M या i7-2600 प्रोसेसर। हालाँकि यह मॉड्यूल CPU क्षमता का उपयोग करके कार्य कर सकता है, लेकिन सर्वर मशीन पर वीडियो ग्राफ़िक्स कार्ड होने की सलाह दी जाती है।

 

 

 

 

प्रश्न हैं? सहायता चाहिए? कृपया हमसे संपर्क करें! हम आपकी सहायता करने को तत्पर हैं!

14 अगस्त, 2024

और पढ़ें:
Xeoma में अतिरिक्त मॉड्यूल
Xeoma में AI-आधारित मॉड्यूल की मूल्य सूची