語音識別技術(shù)應(yīng)用于現(xiàn)有三維繪圖軟件的探索

鄺展鵬

摘要：隨著人工智能技術(shù)不斷取得突破，人機交互的模式逐漸從傳統(tǒng)的鼠標鍵盤交互和觸屏交互向自然交互發(fā)展。在這種大環(huán)境下，為了提高現(xiàn)有三維繪圖軟件的工作效率，提出了一種利用開放平臺的語音識別技術(shù)輔助繪圖的方法。在保留三維繪圖軟件原有的鼠標鍵盤操作模式下，增加了語音指令輔助設(shè)計的方式。

關(guān)鍵詞：語音識別;語音繪圖;智能語音

中圖分類號：TP311 文獻標志碼：A 文章編號：2095-2945（2019）12-0168-02

1概述

隨著語音識別技術(shù)和自然語言處理技術(shù)的發(fā)展，科大訊飛、云知聲和百度智能等開放平臺日趨成熟，這為當前開發(fā)應(yīng)用級別的語音輔助系統(tǒng)提供了良好的技術(shù)支持。無論是在移動智能手機上的語音助手，還是風靡各個家庭的智能音箱，都代表著語言交互這一種我們?nèi)粘Ｉ钪惺褂米顝V泛也是最重要的交互方式融入到人機交互中是不可避免的趨勢。Solidworks是一款專門用于工程制圖的三維繪圖軟件，在國內(nèi)廣泛應(yīng)用于機械設(shè)計與評估。其內(nèi)置應(yīng)用程序編程接口（API），便于開發(fā)者進行二次開發(fā)。百度智能語音平臺為開發(fā)者提供的軟件開發(fā)工具包（SDK）具有強大且完善的功能，包括語音識別、詞法分析、語音合成等圈。這兩者的結(jié)合讓語音識別技術(shù)應(yīng)用于現(xiàn)有的三維繪圖軟件，從而提高設(shè)計師的工作效率成為可能。

2語音識別和語義理解

語音識別技術(shù)是以人的語音信號為研究對象，能通過模式識別或深度學(xué)習的方法將語音信號轉(zhuǎn)換成文字信息。目前國外的開源語音識別引擎（ASR）有CMU Sphinx、HTK、Kaldi等，國內(nèi)有訊飛語音、百度智能等開放平臺提供語音識別服務(wù)。其中，國內(nèi)的大型開放平臺在中文語音識別的準確率已經(jīng)達到了95%以上。然而語音識別技術(shù)只能將語音信息轉(zhuǎn)換成文字，進行語音識別后獲得的文本信息還需要讓計算機理解后才能轉(zhuǎn)化成具體的指令，從而執(zhí)行相應(yīng)的任務(wù)以滿足我們的需要。

語義理解是在自然語言處理（NLP）技術(shù)的基礎(chǔ)上，針對文本信息中人的意圖進行識別并讓計算機理解的過程。首先需要使用NLP中的詞法分析對文本信息進行處理。詞法分析是一種能夠?qū)ξ谋拘畔⑦M行分詞、詞性識別和專名識別的技術(shù)，其處理過程如圖1所示。

進行詞法分析后，計算機就可以對結(jié)果所得的詞匯進行檢索，并使用匹配模型匹配對應(yīng)的用戶意圖。匹配模型包括一個喚醒關(guān)鍵字和數(shù)目不等的參數(shù)，例如“繪制圓柱”這個意圖對應(yīng)的匹配模型包括了喚醒關(guān)鍵字“繪制”、參數(shù)“圓柱”、還有圓柱對應(yīng)的高度和直徑尺寸。計算機只有獲取到滿足匹配模型的所有參數(shù)才能準確按照用戶的意圖進行操作。語義理解的結(jié)構(gòu)如圖2所示。

3SolidWorks動作宏

要實現(xiàn)語音控制繪圖軟件進行工作，就需要繪圖軟件能夠通過除了鼠標鍵盤輸入指令之外的方式進行繪圖。SolidWorks自帶宏工具，用戶可以通過錄制/編輯/執(zhí)行宏提高工作效率。錄制并保存的宏文件可以保存為C#、VB.NE3F等格式。因此，使用動作宏進行繪圖是該繪圖軟件的第三種輸入方式。由于宏文件使用了C#、VB.NET等高級語言進行編輯和運行，因此可以通過讀取XML等外部文件進行信息傳遞，從而根據(jù)外部指令控制繪圖軟件進行不同的操作，如圖3所示。

Solidworks的動作宏具有強大的功能，例如捕捉繪圖空間中的焦點、調(diào)用任意繪圖工具、移動窗口鏡頭等，完全能夠滿足開發(fā)者需求。因此宏文件的編寫關(guān)鍵是對各個繪圖工具的使用進行結(jié)構(gòu)化設(shè)計，通過讀取外部文件的信息得知滿足用戶的意圖需要調(diào)用哪個繪圖工具，以及具體的繪制參數(shù)是什么。

4系統(tǒng)設(shè)計

通過前文對于當前語音識別、語義理解技術(shù)的探索以及Solidworks軟件本身研究，可知在理論上能夠?qū)⒄Z音識別技術(shù)運用于三維繪圖軟件的輔助繪制上。整個系統(tǒng)的結(jié)果框圖如圖4所示。

用戶可以通過原有的鼠標鍵盤使用繪圖軟件進行圖形繪制，也可以通過麥克風使用語言進行指令輸入。使用語音輸入時，語音識別程序先將語音信號轉(zhuǎn)化成計算機指令并保存在信息文件中，用戶執(zhí)行動作宏讀取信息文件中的指令并執(zhí)行，達到語音輔助制圖的效果。

5用戶與系統(tǒng)的語音交互方式

用戶通過語音向系統(tǒng)發(fā)出指令以及系統(tǒng)回應(yīng)用戶的交互過程關(guān)乎到用戶的使用體驗。也就是說，系統(tǒng)需要知道用戶什么時候開始說話，用戶需要知道系統(tǒng)有沒有聽到自己說話。這樣才能讓用戶更好的說出自己的操作意圖，讓系統(tǒng)便于分析理解并執(zhí)行。用戶與系統(tǒng)的語音交互方式如圖5所示。

在握手階段內(nèi)用戶通過語音喚醒激活識別系統(tǒng)，系統(tǒng)通過鈴聲等方式進行回應(yīng)并開始聆聽用戶說話。語音喚醒是指系統(tǒng)通過麥克風持續(xù)監(jiān)聽周圍的聲音，當用戶說出設(shè)定好的詞語后就激活系統(tǒng)，而對喚醒詞語以外的聲音不作任何反應(yīng)。當前的智能音箱和手機上的語音助手廣泛采用這種激活系統(tǒng)的模式。

6結(jié)束語

本文通過分析當前基于云端開放平臺的智能語音技術(shù)以及繪圖軟件本身所提供的動作宏模塊得出了能通過語音識別技術(shù)控制繪圖軟件進行工作的結(jié)論。并設(shè)計了一種系統(tǒng)結(jié)構(gòu)，可以在保留原有的鼠標鍵盤輸入命令的繪圖方式的基礎(chǔ)上，增加語音輔助繪圖的功能。不僅能減少繪圖繁瑣的操作步驟，更為用戶提供了新的操作體驗，具有廣泛的應(yīng)用前景。