ساخت اسکریپت تبدیل گفتار به متن با پایتون

در دنیای امروز، تبدیل گفتار به متن (Speech-to-Text) کاربردهای فراوانی دارد. از دیکته کردن یادداشت‌ها گرفته تا کنترل دستگاه‌ها با صدا، این فناوری به طور فزاینده‌ای در زندگی روزمره ما نفوذ کرده است. پایتون، به عنوان یک زبان برنامه‌نویسی قدرتمند و انعطاف‌پذیر، ابزارهای متعددی برای پیاده‌سازی این قابلیت ارائه می‌دهد. این مقاله به آموزش گام به گام ساخت یک اسکریپت تبدیل گفتار به متن با استفاده از پایتون می‌پردازد و در دسته بندی ‘اتوماسیون و اسکریپت‌نویسی’ قرار می‌گیرد.

پیش‌نیازها

قبل از شروع، اطمینان حاصل کنید که موارد زیر را در سیستم خود نصب دارید:

• پایتون: نسخه 3.6 یا بالاتر
• پکیج SpeechRecognition: این پکیج رابطی برای دسترسی به APIهای مختلف تشخیص گفتار فراهم می‌کند.
• پکیج PyAudio: برای ضبط صدا از میکروفون مورد نیاز است.

برای نصب پکیج‌ها، می‌توانید از pip استفاده کنید:

pip install SpeechRecognition PyAudio

توجه: نصب PyAudio ممکن است در برخی سیستم‌عامل‌ها پیچیده‌تر باشد. در صورت بروز مشکل، به مستندات مربوطه مراجعه کنید.

مراحل ساخت اسکریپت

1. وارد کردن کتابخانه‌های مورد نیاز

در ابتدا، باید کتابخانه‌های SpeechRecognition و PyAudio را وارد اسکریپت خود کنید:

import speech_recognition as sr

2. ایجاد یک شیء Recognizer

شیء Recognizer وظیفه تشخیص گفتار را بر عهده دارد:

r = sr.Recognizer()

3. ضبط صدا از میکروفون

برای ضبط صدا، از شیء Microphone استفاده می‌کنیم. ابتدا باید میکروفون پیش‌فرض سیستم را شناسایی کنیم:

with sr.Microphone() as source:
    print("لطفاً صحبت کنید!")
    audio = r.listen(source)

در این قسمت، تابع listen() صدا را از میکروفون ضبط می‌کند و در متغیر audio ذخیره می‌کند.

4. تشخیص گفتار

اکنون که صدا را ضبط کردیم، می‌توانیم از تابع recognize_google() برای تشخیص گفتار استفاده کنیم. این تابع صدا را به سرورهای گوگل می‌فرستد و متن معادل آن را برمی‌گرداند:

try:
    text = r.recognize_google(audio, language="fa-IR")
    print("متن تشخیص داده شده:")
    print(text)
except sr.UnknownValueError:
    print("گوگل نتوانست صدا را تشخیص دهد.")
except sr.RequestError as e:
    print("خطا در اتصال به سرویس گوگل؛ {0}".format(e))

توضیحات:

• language="fa-IR": این پارامتر مشخص می‌کند که زبان گفتار فارسی است.
• try...except: این بلوک برای مدیریت خطاها استفاده می‌شود. اگر گوگل نتواند صدا را تشخیص دهد، یک استثنای UnknownValueError پرتاب می‌شود. اگر در اتصال به سرویس گوگل مشکلی پیش بیاید، یک استثنای RequestError پرتاب می‌شود.

5. اسکریپت کامل

در اینجا یک اسکریپت کامل برای تبدیل گفتار به متن ارائه شده است:

import speech_recognition as sr

r = sr.Recognizer()

with sr.Microphone() as source:
    print("لطفاً صحبت کنید!")
    audio = r.listen(source)

try:
    text = r.recognize_google(audio, language="fa-IR")
    print("متن تشخیص داده شده:")
    print(text)
except sr.UnknownValueError:
    print("گوگل نتوانست صدا را تشخیص دهد.")
except sr.RequestError as e:
    print("خطا در اتصال به سرویس گوگل؛ {0}".format(e))

بهبود دقت تشخیص گفتار

دقت تشخیص گفتار می‌تواند تحت تأثیر عوامل مختلفی قرار گیرد، مانند نویز محیط، کیفیت میکروفون و لهجه گوینده. برای بهبود دقت، می‌توانید از روش‌های زیر استفاده کنید:

• کاهش نویز: سعی کنید در یک محیط آرام و بدون نویز ضبط کنید.
• استفاده از میکروفون با کیفیت: یک میکروفون با کیفیت می‌تواند کیفیت صدا را بهبود بخشد و دقت تشخیص را افزایش دهد.
• تنظیم آستانه انرژی: تابع adjust_for_ambient_noise() می‌تواند برای تنظیم آستانه انرژی صدا استفاده شود. این کار به حذف نویزهای پس‌زمینه کمک می‌کند:

      r.adjust_for_ambient_noise(source)
      

• استفاده از APIهای دیگر: SpeechRecognition از APIهای مختلفی برای تشخیص گفتار پشتیبانی می‌کند. می‌توانید APIهای دیگر را امتحان کنید تا ببینید کدام یک برای شما بهترین نتیجه را می‌دهد.
• آموزش مدل: برای بهبود دقت تشخیص گفتار در یک دامنه خاص، می‌توانید یک مدل سفارشی را آموزش دهید.

استفاده از فایل صوتی به جای میکروفون

به جای ضبط صدا از میکروفون، می‌توانید از یک فایل صوتی موجود نیز استفاده کنید. برای این کار، ابتدا باید فایل صوتی را با استفاده از تابع AudioFile() باز کنید:

with sr.AudioFile('audio.wav') as source:
    audio = r.record(source)

سپس می‌توانید از تابع recognize_google() برای تشخیص گفتار از فایل صوتی استفاده کنید.

اتوماسیون با اسکریپت تبدیل گفتار به متن

اسکریپت تبدیل گفتار به متن می‌تواند در اتوماسیون وظایف مختلف مورد استفاده قرار گیرد. به عنوان مثال، می‌توانید از آن برای:

• ایجاد یادداشت‌های صوتی: می‌توانید به جای تایپ کردن، یادداشت‌های خود را با صدا ضبط کنید و اسکریپت آن‌ها را به متن تبدیل کند.
• کنترل دستگاه‌ها با صدا: می‌توانید از اسکریپت برای کنترل دستگاه‌های هوشمند با استفاده از دستورات صوتی استفاده کنید.
• ایجاد زیرنویس برای ویدیوها: می‌توانید از اسکریپت برای ایجاد زیرنویس برای ویدیوها به صورت خودکار استفاده کنید.
• جستجوی اطلاعات با صدا: می‌توانید از اسکریپت برای جستجوی اطلاعات در اینترنت با استفاده از دستورات صوتی استفاده کنید.

نکات تکمیلی

• مدیریت خطاها: همیشه باید خطاها را به درستی مدیریت کنید تا اسکریپت شما پایدار باشد.
• بهینه‌سازی کد: سعی کنید کد خود را بهینه کنید تا سرعت اجرا افزایش یابد.
• مستندسازی کد: کد خود را به خوبی مستند کنید تا دیگران بتوانند آن را به راحتی درک کنند.
• امنیت: اگر از APIهای آنلاین استفاده می‌کنید، به مسائل امنیتی توجه کنید.

نتیجه‌گیری

در این مقاله، نحوه ساخت یک اسکریپت تبدیل گفتار به متن با استفاده از پایتون را آموزش دادیم. با استفاده از این اسکریپت، می‌توانید به راحتی صدا را به متن تبدیل کنید و از آن در اتوماسیون وظایف مختلف استفاده کنید. با کمی تمرین و خلاقیت، می‌توانید این اسکریپت را سفارشی‌سازی کنید و آن را برای نیازهای خاص خود بهینه کنید.