← Vissza a cikkekhez

 

A Xeoma videófelügyeleti szoftver MI-alapú beszéd szöveggé alakítása modulja „lehallgatja" a kamera vagy külön mikrofon hangstreamjét, felismeri a beszédet, majd annak átírását CSV-jelentésbe menti, vagy szövegként jeleníti meg az előnézetben. Beállítható úgy is, hogy bizonyos szavakra vagy kifejezésekre reagáljon. .mp3 hangfájlokkal – például beszélgetésfelvételekkel, oktatóvideókkal – is működik: ezekből kinyeri a beszédet, és szöveges formában szolgáltatja azt.

A Xeoma Beszéd szöveggé alakítása modul használatához nincs szükség speciális berendezésre: bármely kamera vagy külön mikrofon hangstreamje, valamint szabványos, kereskedelmi forgalomban kapható számítógépek és videókártyák is megfelelnek.

Figyelmeztetés: ez a modul a Xeoma 24.8.12 verziótól érhető el, és jelenleg béta állapotban van, így előfordulhat szavak kihagyása vagy ismétlődés.

 

 

A Voice-to-Text modul egy rugalmas eszköz, amely számos célra alkalmazható:

• Call center: hívások vagy hívásfelvételek átírása a vállalati irányelvek és beszélgetési forgatókönyvek betartásának ellenőrzésére
• Idősek gondozása: a segítségkérő kiáltásokra való azonnali reagálás lehetősége
• Városfelügyelet: veszélyre utaló szavak felismerése a terrorelhárítási biztonság érdekében
• Szülői felügyelet: a gyermek biztonságának garantálása, védelem a zaklatás ellen, valamint a csalókkal vagy molesztálókkal folytatott kommunikáció figyelése
• Rendőrség: a testre rögzített kamerák része; rögzíti a rendőr és a gyanúsított közötti beszélgetéseket, valamint képes a veszélyes helyzetek észlelésére
• Bankok, lombardok: fizikai nyomás nélküli pánikgomb
• Kutatás, elemzés: statisztikák gyűjtése a különböző szavak előfordulási gyakoriságáról és egyéb beszéddel kapcsolatos vizsgálatokhoz
• Marketing: annak vizsgálata, hogy az ügyfelek beszélgetnek-e egy promóciós kampányról, illetve milyen a reakciójuk egy bannerre vagy hirdetésre
• Bármely vállalkozás: az ügyfélszolgálati minőség automatizált ellenőrzése (például káromkodások észlelése)
• Szűrés és automatizálás: nem kívánt vagy tiltott szavak és kifejezések észlelése a beszélgetésekben, valamint az ilyen esetek továbbirányítása részletes ellenőrzésre anélkül, hogy az összes beszélgetést meg kellene hallgatni

Ahogy látható, a Xeoma videófelügyeleti szoftver „Beszéd szöveggé alakítása" eszköze széles körű forgatókönyvekben alkalmazható. Nemcsak a magánéletben, a városi biztonságban és a kereskedelmi szférában növeli a biztonságot, hanem a vállalati folyamatok optimalizálásához is hozzájárul.

 

 

Mindenekelőtt érdemes megjegyezni, hogy a modul csak akkor jelenik meg a listában, ha a Xeoma szerveroldali komponense megfelelő hardveren fut. Ha nem találja a modult a listában, ellenőrizze, hogy megfelelő processzort és a Xeoma megfelelő kiadását használja-e (a modul kizárólag a Xeoma Pro kiadásban érhető el). Mivel a modul hangstreammel dolgozik, a láncban szükséges egy hangforrás: lehet ez a kamerába épített mikrofon vagy egy külön USB-s illetve IP-alapú mikrofon.

Például tegyük fel, hogy a hangstream az IP-kamerából származik. Ebben az esetben egyszerűen használjon a Xeomában egy olyan modulláncot, amely a következő sorrendet követi: „Universal Camera" – „Beszéd szöveggé alakítása" – „Preview and Archive":

Kattintson a láncban található Voice-to-Text ikonra a modul beállításainak megnyitásához. A Voice-to-Text modul használatának első lépése a működéséhez szükséges kiegészítő erőforrások letöltése. A letöltés automatikusan elindul, amikor először nyitja meg a modul beállításait. A kiegészítő erőforrások letöltésének befejezése után a „Letöltés folyamatban” üzenet eltűnik.

 

A további erőforrások olyan adatcsomagokat tartalmaznak a MI számára, amelyre a Voice-to-Text alapozik; ezek a FelenaSoft szervereiről kerülnek letöltésre. A program méretének optimalizálása érdekében ezeket nem csomagoljuk a szoftverbe, mivel nem minden CCTV rendszerhez szükségesek.

 

A letöltés befejezése után megjelenő új opciók lehetővé teszik, hogy több MI-alapú beszédelismerési modell közül választhasson. Minden modellnek megvannak a maga erősségei és gyengeségei – általában az azonosítási pontosságban és a processzorterhelésben térnek el. A modellek mérete, felismerési minősége és a hardverterhelés növekvő sorrendjében őket tiny, base, small, medium, large-ként nevezzük.

A „Nyelv” mezőben válassza ki azt a nyelvet, amelyen a beszéd átirata elkészül (megjegyzés: maga a beszéd nyelvét nem kell megadni).

Ha minden hallható párbeszéd átiratára szüksége van, jelölje be közvetlenül az „Adatok mentése CSV-jelentésbe” jelölőnégyzetet. Így a párbeszédek átirata a megadott könyvtárban lévő táblázatfájlba kerül, amely más rendszerekbe, például statisztikai alkalmazásokba is integrálható.

A „Voice-to-Text” modul képes bizonyos kifejezéseket vagy szavakat detekálni. A keresett szavakat vagy kifejezéseket a „Kulcsszavak felismeréséhez” mezőben adja meg. Ezután a modul továbbra is figyel minden beszédet a kamera vagy mikrofon környezetében, de csak a kulcsszavak hallása esetén reagál. Csatlakoztasson egy reakciómodult a „Voice-to-Text” után az értesítések küldéséhez, a felvétel indításához vagy egy parancs elküldéséhez.

A példánkban az „Előnézet és Archívum” modul kapcsolódik célmodulként, így a beállított kulcsszavak detektálása esetén a rendszer elindítja a kamerastream felvételét, és lehetővé teszi a megadott kulcsszavakkal ellátott epizódok keresését. Ez az opció egyszerűen kombinálható a CSV jelentésbe mentés funkcióval: ehhez jelölje be az alul található megfelelő négyzetet.

A „Voice-to-Text” modul saját makróval rendelkezik – %VOICE% –, amely olyan célmodulokban használható, mint az „E-mail küldése”, „Alkalmazásindító” vagy „HTTP-kérés küldő”, ha a beszéd átiratát szeretné továbbítani.

 

A Xeoma Voice-to-Text modulja külső programokból is használható – például VoIP-hívások átírásához. Az alábbi utasításokat követve átadhat egy .mp3 fájlt a Voice-to-Text modulnak dekódolásra, és szöveges formátumban megkaphatja az eredményt. Így a modul olyan operátori munkaállomásokon is használható, ahol nincs telepítve Xeoma vagy kamera. Két módszer lehetséges: a Xeoma API-n keresztül vagy konzolparancs futtatásával. Fontos: kizárólag .mp3 fájlok támogatottak.

1. API. Az első megoldáshoz a Xeoma API és a JSON-kérések használata szükséges. Parancsokkal kérhet fel egy távoli vagy helyi Xeoma szervert .mp3-fájlok szöveges átírására.

Például:
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"

ahol
a „speech.mp3" helyére írja be a számítógépén található hangfájl elérési útját;

a „192.168.0.135:10090" helyére írja be a Voice-to-Text funkció futtatására képes, működő Xeoma szerver IP-címét és portszámát (alapértelmezés: 10090);

az „Administrator" értéket hagyja változatlanul, mivel ez a funkció kizárólag a Xeoma Administrator profilja számára érhető el;

A „123” kódot cserélje le a Xeoma Administrator profiljának jelszavára;

A „model=large” paraméterrel választható ki a felismerési modell. A további lehetőségeket tekintse fentebb;

A „denoise=true" értékkel aktiválható a zajszűrés, amely bizonyos esetekben növeli a felismerés pontosságát;

Az „en" értéket cserélje ki annak a nyelvnek a 2–3 betűs kódjára (lásd lentebb), amelyen a leírt szöveget kérni szeretné. Ha ez eltér a Voice-to-Text által érzékelt beszélt nyelvtől, a rendszer automatikusan lefordítja azt a megadott nyelvre.

Megjegyzés: Ez a kérés a fájl szöveges átírását közvetlenül a konzolban vagy abban az eszközben jeleníti meg, amelyből a kérést elküldi. Ha a fájlról készült átírást szöveges fájlba szeretné menteni, adja meg a „>filename.txt" kifejezést a parancs után:

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
ahol
a savetext.txt értéket cserélje ki a kívánt átírási fájlnévre.

 

2. Parancs indítása. A második lehetőség lehetővé teszi a felismerés elvégzését nem API-n keresztül, hanem helyben, a számítógépen, a konzolban futtatható parancsokkal.

Példa:

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

ahol
a „file.mp3” helyére írja be a számítógépen található hangfájl elérési útját;

az „out.log” helyére írja be a létrejövő átírást tartalmazó szövegfájl elérési útját és nevét;

a „large” paraméterrel választhatja ki a felismerési modellt. A további lehetőségekről fentebb olvashat;

az „en” kódot cserélje le annak a nyelvnek a 2-3 karakteres kódjára (lásd alább), amelyben a átírt szöveget meg szeretné kapni. Ha ez eltér attól a nyelvtől, amelyet a Voice-to-Text érzékel, a rendszer automatikusan lefordítja a megadott nyelvre.

a „denoise” paraméter beillesztésével aktiválhatja a zajszűrést, amely bizonyos esetekben növeli a felismerési pontosságot.

Nyelvkódok listája:

„en”: „angol”,
„zh”: „kínai”,
„de”: „német”,
„es”: „spanyol”,
„ru”: „orosz”,
„ko”: „koreai”,
„fr”: „francia”,
„ja”: „japán”,
„pt”: „portugál”,
„tr”: „török”,
„pl”: „lengyel”,
„ca”: „katalán”,
„nl”: „holland”,
„ar”: „arab”,
„sv”: „svéd”,
„it”: „olasz”,
„id”: „indonéz”,
„hi”: „hindi”,
„fi”: „finn”,
„vi”: „vietnámi”,
„he”: „héber”,
„uk”: „ukrán”,
„el”: „görög”,
„ms”: „maláj”,
„cs”: „cseh”,
„ro”: „román”,
„da”: „dán”,
„hu”: „magyar”,
„ta”: „tamil”,
„no”: „norvég”,
„th”: „thai”,
„ur”: „urdu”,
„hr”: „horvát”,
„bg”: „bolgár”,
„lt”: „litván”,
„la”: „latin”,
„mi”: „maori”,
„ml”: „malajálam”,
„cy”: „walesi”,
„sk”: „szlovák”,
„te”: „telugu”,
„fa”: „perzsa”,
„lv”: „lett”,
„bn”: „bengáli”,
„sr”: „szerb”,
„az”: „azeri”,
„sl”: „szlovén”,
„kn”: „kannada”,
„et”: „észt”,
„mk”: „macedón”,
„br”: „breton”,
„eu”: „baszk”,
„is”: „izlandi”,
„hy”: „örmény”,
„ne”: „nepáli”,
„mn”: „mongol”,
„bs”: „bosnyák”,
„kk”: „kazah”,
„sq”: „albán”,
„sw”: „szuahéli”,
„gl”: „galíciai”,
„mr”: „marathi”,
„pa”: „pandzsábi”,
„si”: „szingaléz”,
„km”: „khmer”,
„sn”: „sona”,
„yo”: „joruba”,
„so”: „szomáli”,
„af”: „afrikaans”,
„oc”: „okcitán”,
„ka”: „grúz”,
„be”: „belarusz”,
„tg”: „tádzsik”,
„sd”: „szindi”,
„gu”: „gudzsaráti”,
„am”: „amhara”,
„yi”: „jiddis”,
„lo”: „laoszi”,
„uz”: „üzbeg”,
„fo”: „feröeri”,
„ht”: „haiti kreol”,
„ps”: „pastu”,
„tk”: „türkmén”,
„nn”: „nynorsk”,
„mt”: „máltai”,
„sa”: „szanszkrit”,
„lb”: „luxemburgi”,
„my”: „mianmari”,
„bo”: „tibeti”,
„tl”: „tagalog”,
„mg”: „madagaszkári”,
„as”: „asszámi”,
„tt”: „tatár”,
„haw”: „hawaii”,
„ln”: „lingala”,
„ha”: „hausza”,
„ba”: „baskír”,
„jw”: „jávai”,
„su”: „szundanéz”,
„yue”: „kantoni”.

 

1. Töltse le a Xeoma szoftvert weboldalunkról, és indítsa el. Győződjön meg arról, hogy a Xeoma szerveroldali komponense olyan gépen fut, amely megfelelő processzorral rendelkezik.
Arról is győződjön meg, hogy a Xeoma Trial kiadásban fut, vagy aktiváljon egy Xeoma Pro licencet a modul használatához.
2. Adjon hozzá egy kamerát, vagy várja meg, amíg a Xeoma automatikusan hozzáadja a hálózatában talált kamerákat. Ha külön, nem a kamerába épített mikrofont szeretne használni, csatlakoztassa a „Mikrofon" modult, majd válassza ki a megfelelő hangforrást.
3. Adja hozzá a „Voice-to-Text" modult a láncolathoz, és konfigurálja azt.
4. Szükség esetén adjon hozzá további modulokat a reakciók beállításához, például archív rögzítéshez, e-mail küldéshez vagy egy egyedi reakcióhoz.
5. Kész! Most már használhatja a Xeoma kiemelkedő, intelligens beszédfelismerését.

 

*A Voice-to-Text modul csak a következő processzorokon jelenik meg és működik: Intel 64 bites processzorok a következő szériákból: -IntelCore processzorok a 4. generációtól kezdve (beleértve a 10. és újabb generációkat); -XEON processzorok a 6. generációtól kezdve; -Atom processzorok a „C23", „C25", „C27", „C33", „C35", „C37", „C38", „C39", „P59", „Z34", „Z35", „x5-E39" vagy „x5-E8000" szériákból; -Intel Xeon E5-24 szériás processzorok, i5-2450M vagy i7-2600. Bár a modul a CPU kapacitásával is működhet, javasolt videókártya használata a szervergépen.

 

 

 

 

Kérdései vannak? Segítségre szorul? Lépjen kapcsolatba velünk! Szívesen segítünk!

2024. augusztus 14

További információk:
További modulok a Xeomában
MI-alapú modulok árlistája a Xeomában