← กลับไปที่บทความ

 

โมดูล Voice-to-Text ที่ขับเคลื่อนด้วย AI ของซอฟต์แวร์ระบบตรวจการณ์วิดีโอ Xeoma จะ 'ฟัง' สตรีมเสียงจากกล้องหรือไมโครโฟนแยก เพื่อตรวจจับเสียงพูดและบันทึกคำถอดความลงในรายงาน CSV หรือแสดงเป็นข้อความซ้อนบนหน้าจอ Preview นอกจากนี้ คุณยังสามารถตั้งค่าให้ระบบตอบสนองต่อคำหรือวลีที่กำหนดได้ และยังรองรับไฟล์เสียง .mp3 เช่น บันทึกการสนทนา หรือวิดีโอการฝึกอบรม เพื่อถอดความเสียงเป็นข้อความ

การใช้งาน Voice-to-Text ของ Xeoma ไม่จำเป็นต้องใช้อุปกรณ์พิเศษ เพียงมีสตรีมเสียงจากกล้องหรือไมโครโฟน พร้อมคอมพิวเตอร์และกราฟิกการ์ดมาตรฐานทั่วไปก็สามารถใช้งานได้ทันที

คำเตือน: โมดูลนี้เริ่มใช้งานได้ตั้งแต่ Xeoma เวอร์ชัน 24.8.12 และยังอยู่ในสถานะ beta ซึ่งอาจมีการข้ามคำหรือเกิดการพูดซ้ำในคำถอดความ

 

 

โมดูล Voice-to-Text เป็นเครื่องมือที่มีความยืดหยุ่นสูง รองรับการใช้งานที่หลากหลาย:

• Call center: ถอดความการโทรที่กำลังดำเนินอยู่หรือไฟล์บันทึกเสียง เพื่อตรวจสอบการปฏิบัติตามนโยบายบริษัทและสคริปต์การสนทนา
• การดูแลผู้สูงอายุ: ตอบสนองต่อเสียงร้องขอความช่วยเหลือได้ทันที
• การตรวจการณ์เมือง: จดจำคำศัพท์ที่บ่งบอกถึงอันตรายเพื่อความปลอดภัยในการต่อต้านการก่อการร้าย
• การควบคุมโดยผู้ปกครอง: ช่วยดูแลความปลอดภัยของเด็ก ปกป้องจากการถูกกลั่นแกล้ง หรือการติดต่อกับมิจฉาชีพและผู้ล่วงละเมิด
• ตำรวจ: ใช้งานร่วมกับกล้องติดตัว (Body-worn cameras) เพื่อถอดความการสนทนาระหว่างเจ้าหน้าที่และผู้ต้องสงสัย พร้อมความสามารถในการตรวจจับสถานการณ์อันตราย
• ธนาคาร, โรงรับจำนำ: ใช้เป็นปุ่มแจ้งเหตุฉุกเฉิน (Panic button) โดยไม่ต้องกดปุ่มทางกายภาพ
• การวิจัยและการวิเคราะห์: เก็บสถิติความถี่ของการใช้คำต่างๆ ในพื้นหลังเพื่อการศึกษาด้านเสียงพูด
• การตลาด: ตรวจสอบว่าลูกค้ากำลังพูดถึงแคมเปญโปรโมชัน หรือมีปฏิกิริยาต่อป้ายโฆษณาอย่างไร
• ทุกธุรกิจ: ตรวจสอบคุณภาพการบริการลูกค้าโดยอัตโนมัติ (เช่น การตรวจจับคำหยาบคาย)
• การกรองและระบบอัตโนมัติ: ตรวจจับคำหรือวลีที่ไม่เหมาะสมหรือต้องห้ามในการสนทนา และคัดกรองเฉพาะเหตุการณ์ดังกล่าวมาตรวจสอบโดยละเอียด โดยไม่ต้องฟังการสนทนาทั้งหมด

อย่างที่เห็น เครื่องมือ “Voice-to-Text” ของโปรแกรมตรวจการณ์วิดีโอ Xeoma สามารถประยุกต์ใช้ได้ในหลากหลายสถานการณ์ ไม่เพียงแต่ยกระดับความปลอดภัยในชีวิตส่วนตัว สังคมเมือง และภาคธุรกิจเท่านั้น แต่ยังช่วยเพิ่มประสิทธิภาพในการดำเนินธุรกิจอีกด้วย

 

 

ข้อควรทราบ: โมดูลนี้จะปรากฏในรายการก็ต่อเมื่อส่วน Server ของ Xeoma ทำงานบน ฮาร์ดแวร์ที่รองรับ หากไม่พบโมดูลในรายการ โปรดตรวจสอบว่าคุณใช้โปรเซสเซอร์และ Xeoma เวอร์ชันที่ถูกต้อง (โมดูลนี้มีเฉพาะในรุ่น Xeoma Pro เท่านั้น) เนื่องจากโมดูลประมวลผลสตรีมเสียง คุณจึงต้องมีแหล่งกำเนิดเสียงในระบบ เช่น ไมโครโฟนในตัวกล้อง หรือไมโครโฟน USB หรือ IP แยกต่างหาก

ตัวอย่างเช่น หากสตรีมเสียงมาจากกล้อง IP ให้ตั้งค่าลำดับโมดูลใน Xeoma เป็น “Universal Camera” – “Voice-to-Text” – “Preview and Archive” ดังนี้:

คลิกที่ไอคอน Voice-to-Text ในสายการทำงานเพื่อเปิดการตั้งค่าโมดูล ขั้นตอนแรกในการใช้งานโมดูล Voice-to-Text คือการดาวน์โหลดทรัพยากรเพิ่มเติมที่จำเป็น โดยระบบจะเริ่มดาวน์โหลดโดยอัตโนมัติเมื่อคุณเปิดการตั้งค่าโมดูลครั้งแรก และเมื่อการดาวน์โหลดเสร็จสมบูรณ์ ข้อความ “Downloading in progress” จะหายไป

 

ทรัพยากรเพิ่มเติมเหล่านี้ประกอบด้วยชุดข้อมูลสำหรับปัญญาประดิษฐ์ซึ่งเป็นพื้นฐานของระบบ Voice-to-Text และจะถูกดาวน์โหลดจากเซิร์ฟเวอร์ของ FelenaSoft ตามคำขอ ทรัพยากรเหล่านี้ไม่ได้รวมมากับตัวซอฟต์แวร์เพื่อรักษาขนาดโปรแกรมให้เล็ก เนื่องจากไม่จำเป็นต้องใช้ในระบบ CCTV ทุกแห่ง

 

หลังจากดาวน์โหลดทรัพยากรเพิ่มเติมเสร็จสิ้น จะมีตัวเลือกใหม่ปรากฏขึ้นเพื่อให้คุณเลือกโมเดลการรู้จำเสียงที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) สำหรับใช้ในการถอดความ ซึ่งแต่ละโมเดลมีจุดเด่นและข้อจำกัดต่างกัน โดยปกติจะแตกต่างกันที่ระดับความแม่นยำในการรู้จำและภาระการทำงานของหน่วยประมวลผล โดยแบ่งระดับตามขนาดโมเดล คุณภาพการรู้จำ และการใช้ทรัพยากรฮาร์ดแวร์จากน้อยไปมากคือ tiny, base, small, medium, large

ในช่อง “Language” ให้เลือกภาษาที่ต้องการให้แสดง ข้อความถอดเสียง (หมายเหตุ: ไม่จำเป็นต้องระบุภาษาของ เสียงพูด)

หากต้องการถอดเสียงการสนทนาทั้งหมด ให้ทำเครื่องหมายที่ช่อง “Save data in CSV report” ระบบจะบันทึกข้อความถอดเสียงลงในไฟล์สเปรดชีตในไดเรกทอรีที่คุณกำหนด ซึ่งสามารถนำไปผสานรวมกับระบบอื่นได้ เช่น ระบบวิเคราะห์ทางสถิติ

นอกจากนี้ “Voice-to-Text” ยังสามารถ ตรวจจับวลีหรือคำที่กำหนด ได้ โดยระบุคำหรือวลีที่ต้องการค้นหาในช่อง “Keywords for recognition” จากนั้นโมดูลจะคอยดักฟังเสียงทั้งหมดในบริเวณกล้องหรือไมโครโฟน และจะตอบสนองเมื่อตรวจพบคำสำคัญเท่านั้น คุณสามารถเชื่อมต่อโมดูลตอบสนองที่ต้องการต่อจากโมดูล “Voice-to-Text” เพื่อรับการแจ้งเตือน เริ่มการบันทึก หรือส่งคำสั่งในกรณีที่ตรวจพบคำดังกล่าว

ในตัวอย่างนี้ เราเชื่อมต่อโมดูล “Preview and Archive” เป็นโมดูลปลายทาง ดังนั้นเมื่อตรวจพบคำสำคัญที่ตั้งไว้ ระบบจะเริ่มบันทึกสตรีมจากกล้องทันที และช่วยให้ค้นหาเหตุการณ์ตามคำสำคัญที่คุณระบุได้ โดยคุณสามารถใช้งานร่วมกับตัวเลือก การบันทึกลงรายงาน CSV ได้ง่ายๆ เพียงทำเครื่องหมายในช่องที่เกี่ยวข้องด้านล่าง

“Voice-to-Text” มีแมโครเฉพาะคือ %VOICE% ซึ่งสามารถนำไปใช้ในโมดูลปลายทาง เช่น “Email Sending”, “Application Runner” หรือ “HTTP Request Sender” หากคุณต้องการส่งข้อความถอดเสียงไปยังโมดูลเหล่านี้

 

Voice-to-Text ของ Xeoma ยังสามารถเรียกใช้งานจากโปรแกรมภายนอกได้ เช่น เพื่อถอดเสียงสนทนาผ่าน VoIP เมื่อปฏิบัติตามคำแนะนำด้านล่าง คุณสามารถส่งไฟล์ .mp3 ให้ Voice-to-Text ถอดรหัสเป็นข้อความได้ ทำให้โมดูลนี้ใช้งานได้แม้ในสถานีงานของผู้ดำเนินการที่ไม่มี Xeoma หรือกล้องติดตั้งอยู่ โดยทำได้สองวิธีคือ ผ่าน Xeoma API หรือการใช้คำสั่งคอนโซล สำคัญ: รองรับเฉพาะไฟล์ .mp3 เท่านั้น

1. API สำหรับวิธีแรก คุณต้องใช้งาน Xeoma API ร่วมกับ JSON requests โดยใช้คำสั่งส่งคำขอไปยังเซิร์ฟเวอร์ Xeoma ทั้งแบบรีโมทหรือโลคัล เพื่อถอดความไฟล์ .mp3 ให้เป็นข้อความ

ตัวอย่างเช่น:
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"

โดยที่
"speech.mp3" ให้แทนที่ด้วยพาธของไฟล์เสียงในคอมพิวเตอร์ของคุณ;

"192.168.0.135:10090" ให้แทนที่ด้วยที่อยู่ IP และพอร์ต (โดยปกติคือ 10090) ของเซิร์ฟเวอร์ Xeoma ที่กำลังทำงานและรองรับการใช้งาน Voice-to-Text;

“Administrator” ให้คงไว้ตามเดิม เนื่องจากฟังก์ชันนี้ใช้งานได้เฉพาะโปรไฟล์ Administrator ของ Xeoma เท่านั้น

แทนที่ "123" ด้วยรหัสผ่านของโปรไฟล์ Administrator ใน Xeoma

"model=large" คือส่วนสำหรับเลือกโมเดลการจดจำ ดูรายละเอียดตัวเลือกเพิ่มเติมด้านบน

รวม "denoise=true" หากต้องการเปิดใช้งานระบบตัดเสียงรบกวน ซึ่งในบางกรณีจะช่วยเพิ่มความแม่นยำในการจดจำ

แทนที่ "en" ด้วยรหัสภาษา 2-3 ตัวอักษร (ดูด้านล่าง) ของภาษาที่คุณต้องการให้แสดงเป็น ข้อความถอดเสียง หากภาษาดังกล่าวแตกต่างจากภาษาจริงที่ระบบ Voice-to-Text รับฟัง ระบบจะแปลเป็นภาษาที่คุณระบุโดยอัตโนมัติ

หมายเหตุ: คำสั่งนี้จะแสดงข้อความถอดเสียงของไฟล์โดยตรงบนคอนโซลหรือเครื่องมือใดๆ ที่คุณใช้ส่งคำสั่ง หากต้องการบันทึกข้อความถอดเสียงของไฟล์เป็นไฟล์ข้อความแทน โปรดเพิ่ม ">filename.txt" ต่อท้ายคำสั่ง:

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
โดยที่
แทนที่ savetext.txt ด้วยชื่อไฟล์ที่คุณต้องการตั้งให้กับไฟล์ข้อความถอดเสียง

 

2. เรียกใช้คำสั่ง ตัวเลือกที่สองช่วยให้คุณทำการจดจำได้โดยตรงบนเครื่อง PC ผ่านคำสั่งที่เรียกใช้ในคอนโซล โดยไม่ต้องผ่าน API

ตัวอย่าง:

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

โดยที่
แทนที่ "file.mp3" ด้วยพาธไปยังไฟล์เสียงบนคอมพิวเตอร์ของคุณ

แทนที่ "out.log" ด้วยพาธและชื่อไฟล์ข้อความถอดเสียงผลลัพธ์ที่ต้องการ

"large" คือส่วนสำหรับเลือกโมเดลการจดจำ ดูรายละเอียดตัวเลือกเพิ่มเติมด้านบน

แทนที่ "en" ด้วยรหัสภาษา 2-3 ตัวอักษร (ดูด้านล่าง) ของภาษาที่คุณต้องการให้แสดงเป็น ข้อความถอดเสียง หากภาษาดังกล่าวแตกต่างจากภาษาจริงที่ระบบ Voice-to-Text รับฟัง ระบบจะแปลเป็นภาษาที่คุณระบุโดยอัตโนมัติ

รวม "denoise" หากต้องการเปิดใช้งานระบบตัดเสียงรบกวน ซึ่งในบางกรณีจะช่วยเพิ่มความแม่นยำในการจดจำ

รายการรหัสภาษา:

“en”: “อังกฤษ”,
“zh”: “จีน”,
“de”: “เยอรมัน”,
“es”: “สเปน”,
“ru”: “รัสเซีย”,
“ko”: “เกาหลี”,
“fr”: “ฝรั่งเศส”,
“ja”: “ญี่ปุ่น”,
“pt”: “โปรตุเกส”,
“tr”: “ตุรกี”,
“pl”: “โปแลนด์”,
“ca”: “คาตาลัน”,
“nl”: “ดัตช์”,
“ar”: “อาหรับ”,
“sv”: “สวีเดน”,
“it”: “อิตาลี”,
“id”: “อินโดนีเซีย”,
“hi”: “ฮินดี”,
“fi”: “ฟินแลนด์”,
“vi”: “เวียดนาม”,
“he”: “ฮีบรู”,
“uk”: “ยูเครน”,
“el”: “กรีก”,
“ms”: “มลายู”,
“cs”: “เช็ก”,
“ro”: “โรมาเนีย”,
“da”: “เดนมาร์ก”,
“hu”: “ฮังการี”,
“ta”: “ทมิฬ”,
“no”: “นอร์เวย์”,
“th”: “ไทย”,
“ur”: “อูรดู”,
“hr”: “โครเอเชีย”,
“bg”: “บัลแกเรีย”,
“lt”: “ลิทัวเนีย”,
“la”: “ละติน”,
“mi”: “มาออรี”,
“ml”: “มาละยาลัม”,
“cy”: “เวลส์”,
“sk”: “สโลวาเกีย”,
“te”: “เตลูกู”,
“fa”: “เปอร์เซีย”,
“lv”: “ลัตเวีย”,
“bn”: “เบงกาลี”,
“sr”: “เซอร์เบีย”,
“az”: “อาเซอร์ไบจาน”,
“sl”: “สโลวีเนีย”,
“kn”: “กรรณาดา”,
“et”: “เอสโตเนีย”,
“mk”: “มาซิโดเนีย”,
“br”: “เบรตง”,
“eu”: “บาสก์”,
“is”: “ไอซ์แลนด์”,
“hy”: “อาร์เมเนีย”,
“ne”: “เนปาล”,
“mn”: “มองโกเลีย”,
“bs”: “บอสเนีย”,
“kk”: “คาซัคสถาน”,
“sq”: “แอลเบเนีย”,
“sw”: “สวาฮีลี”,
“gl”: “กาลิเซีย”,
“mr”: “มราฐี”,
“pa”: “ปัญจาบ”,
“si”: “สิงหล”,
“km”: “เขมร”,
“sn”: “โชนา”,
“yo”: “โยรูบา”,
“so”: “โซมาลี”,
“af”: “อาฟรีกานส์”,
“oc”: “ออกซิตัน”,
“ka”: “จอร์เจีย”,
“be”: “เบลารุส”,
“tg”: “ทาจิก”,
“sd”: “ซินธี”,
“gu”: “คุชราต”,
“am”: “อัมฮาริก”,
“yi”: “ยิดดิช”,
“lo”: “ลาว”,
“uz”: “อุซเบก”,
"fo": "แฟโร",
“ht”: “ครีโอลเฮติ”,
“ps”: “ปาทู”,
“tk”: “เติร์กเมน”,
“nn”: “นีนอร์ส”,
“mt”: “มอลตา”,
“sa”: “สันสกฤต”,
“lb”: “ลักเซมเบิร์ก”,
“my”: “เมียนมา”,
“bo”: “ทิเบต”,
“tl”: “ตากาล็อก”,
“mg”: “มาลากาซี”,
“as”: “อัสสัม”,
“tt”: “ตาตาร์”,
“haw”: “ฮาวาย”,
“ln”: “ลินกาลา”,
“ha”: “เฮาซา”,
“ba”: “บาชกีร์”,
“jw”: “ชวา”,
“su”: “ซุนดา”,
“yue”: “กวางตุ้ง”.

 

1. ดาวน์โหลด Xeoma จากเว็บไซต์ของเรา แล้วเรียกใช้งาน ตรวจสอบให้แน่ใจว่าส่วนเซิร์ฟเวอร์ของ Xeoma กำลังทำงานบนเครื่องที่มี โปรเซสเซอร์ตามที่กำหนด
นอกจากนี้ ตรวจสอบให้แน่ใจว่า Xeoma ทำงานใน เวอร์ชันทดลอง หรือเปิดใช้งานไลเซนส์ Xeoma Pro เพื่อใช้งานโมดูลนี้
2. เพิ่มกล้องหรือรอให้ Xeoma ตรวจพบและเพิ่มกล้องในเครือข่ายของคุณโดยอัตโนมัติ หากต้องการใช้งานไมโครโฟนแยกที่ไม่ได้ติดตั้งมากับกล้อง ให้เชื่อมต่อโมดูล “Microphone” และเลือกแหล่งกำเนิดเสียงที่ต้องการ
3. เพิ่มโมดูล "Voice-to-Text" ลงใน Chain แล้วทำการตั้งค่า
4. เพิ่มโมดูลอื่นๆ ตามต้องการเพื่อกำหนดการตอบสนอง เช่น การบันทึกข้อมูลลงคลัง (Archive) การส่งอีเมล หรือการตอบสนองแบบกำหนดเอง
5. เสร็จสิ้น! ตอนนี้คุณสามารถใช้งานระบบจดจำคำพูดอัจฉริยะประสิทธิภาพสูงของ Xeoma ได้แล้ว

 

*โมดูล Voice-to-Text จะแสดงและทำงานได้เฉพาะบนโปรเซสเซอร์ดังต่อไปนี้: โปรเซสเซอร์ Intel 64-bit ซีรีส์ดังต่อไปนี้: -โปรเซสเซอร์ Intel Core ตั้งแต่ Generation ที่ 4 ขึ้นไป (รวมถึง Generation ที่ 10+) -โปรเซสเซอร์ XEON ตั้งแต่ Generation ที่ 6 ขึ้นไป -โปรเซสเซอร์ Atom ซีรีส์ "C23", "C25", "C27", "C33", "C35", "C37", "C38", "C39", "P59", "Z34", "Z35", "x5-E39" หรือ "x5-E8000" -โปรเซสเซอร์ Intel Xeon E5-24 series, i5-2450M หรือ i7-2600 แม้โมดูลนี้จะทำงานโดยใช้ทรัพยากร CPU ได้ แต่ขอแนะนำให้ติดตั้ง การ์ดจอ บนเครื่องเซิร์ฟเวอร์

 

 

 

 

มีคำถามหรือต้องการความช่วยเหลือ? ติดต่อเรา! เรายินดีให้บริการ

14 สิงหาคม 2024

อ่านเพิ่มเติม:
โมดูลเพิ่มเติมใน Xeoma
รายการราคาโมดูล AI ใน Xeoma