You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
135 lines
18 KiB
135 lines
18 KiB
# កំណត់ម៉ោងហើយផ្តល់មតិយោបល់ជាសំឡេង
|
|
|
|
|
|
|
|
> រូបមន្តដោយ [Nitya Narasimhan](https://github.com/nitya). ចុចលើរូបភាពសម្រាប់ទំហំធំជាងនេះ។
|
|
|
|
## សំណួរពីមុនមេរៀន
|
|
|
|
[សំណួរពីមុនមេរៀន](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/45)
|
|
|
|
## ការណែនាំ
|
|
|
|
ជំនួយការឆ្លាតវៃមិនមែនជាឧបករណ៍ផ្ទេរការប្រាស្រ័យទាក់ទងមួយផ្លូវទេ។ អ្នកនិយាយជាមួយពួកវា ហើយពួកវាចម្លើយថា៖
|
|
|
|
"Alexa, កំណត់ម៉ោង 3 នាទី"
|
|
|
|
"បានហើយ ម៉ោងរបស់អ្នកបានកំណត់ 3 នាទី"
|
|
|
|
ក្នុងមេរៀនចុងក្រោយពីរបានរៀនពីរបៀបយកសំឡេងនិងបម្លែងជាអត្ថបទ បន្ទាប់មកបំបែកសំណើកំណត់ម៉ោងពីអត្ថបទនោះ។ ក្នុងមេរៀននេះ អ្នកនឹងរៀនពីរបៀបកំណត់ម៉ោងលើឧបករណ៍ IoT ពីសំណើរបស់អ្នកប្រើប្រាស់ ព្រមទាំងឆ្លើយតបដោយពាក្យបញ្ចេញជាសំឡេងបញ្ជាក់ម៉ោងរបស់ពួកគេ និងមិនឱ្យពួកគេស្គាល់ពេលម៉ោងបញ្ចប់។
|
|
|
|
ក្នុងមេរៀននេះយើងនឹងគ្របដណ្តប់៖
|
|
|
|
* [អត្ថបទទៅសំឡេង](#អត្ថបទទៅសំឡេង)
|
|
* [កំណត់ម៉ោង](#កំណត់ម៉ោង)
|
|
* [បម្លែងអត្ថបទទៅសំឡេង](#បម្លែងអត្ថបទទៅសំឡេង)
|
|
|
|
## អត្ថបទទៅសំឡេង
|
|
|
|
អត្ថបទទៅសំឡេង ដូចឈ្មោះថា គឺជាប្រភេទនៃដំណើរការបម្លែងអត្ថបទទៅជារូបសំឡេងដែលមានពាក្យជាសំឡេង។ គោលការណ៍មូលដ្ឋានគឺដាក់ពាក្យក្នុងអត្ថបទទៅជាសូណ៍របស់ពួកវា (ហៅថា phonemes) ហើយភ្ជាប់សំឡេងនោះជាមួយគ្នា ប្រើសំឡេងដែលបានថតរួចឬប្រើសំឡេងដែលបានបង្កើតដោយម៉ូដែល AI។
|
|
|
|
|
|
|
|
ប្រព័ន្ធអត្ថបទទៅសំឡេងជាទូទៅមានដំណាក់កាល 3៖
|
|
|
|
* វិភាគអត្ថបទ
|
|
* វិភាគភាសា
|
|
* ការបង្កើតរាងរលកសំឡេង
|
|
|
|
### វិភាគអត្ថបទ
|
|
|
|
វិភាគអត្ថបទពាក់ព័ន្ធនឹងការយកអត្ថបទដែលផ្តល់ឲ្យ ហើយបម្លែងជាពាក្យដែលអាចប្រើបង្កើតសំឡេងបាន។ ឧទាហរណ៍ បើអ្នកបម្លែង "Hello world" គ្មានការវិភាគអត្ថបទចាំបាច់ទេ ពីព្រោះពីរពាក្យអាចបម្លែងទៅសំឡេងបាន។ បើមាន "1234" ថែមទៀត អាចត្រូវបម្លែងជាពាក្យ "One thousand, two hundred thirty four" ឬ "One, two, three, four" ពិនិត្យតាមបរិបទ។ សម្រាប់ "I have 1234 apples" នឹងជាពាក្យ "One thousand, two hundred thirty four" តែសម្រាប់ "The child counted 1234" នឹងជាពាក្យ "One, two, three, four"។
|
|
|
|
ពាក្យដែលបង្កើតមានភាពខុសគ្នាមិនត្រឹមតែភាសាទេ ប៉ុន្តែឃ្លានៅក្នុងតំបន់នៃភាសានោះផងដែរ។ ឧទាហរណ៍ ក្នុងភាសាអង់គ្លេសអាមេរិក 120 គឺ "One hundred twenty" ដោយខុសពីភាសាអង់គ្លេសប្រ៊ិតស ដែលជា "One hundred and twenty" ដែលប្រើពាក្យ "and" បន្ទាប់ពីរយ។
|
|
|
|
✅ ឧទាហរណ៍ផ្សេងទៀតដែលត្រូវការវិភាគអត្ថបទរួមមាន "in" ជារូបមន្តសង្ខេបនៃ inch និង "st" ជារូបមន្តសង្ខេបនៃ saint និង street។ តើអ្នកអាចគិតឧទាហរណ៍ផ្សេងទៀតក្នុងភាសារបស់អ្នកនៃពាក្យដែលមិនច្បាស់លាស់ពុំមានបរិបទទេបានទេ។
|
|
|
|
ពេលដែលពាក្យត្រូវបានកំណត់រួច វាត្រូវបានផ្ញើសម្រាប់វិភាគភាសា។
|
|
|
|
### វិភាគភាសា
|
|
|
|
វិភាគភាសាជាការបំបែកពាក្យទៅជាសូណ៌ phonemes។ phonemes មិននៅលើតែអក្សរដែលប្រើទេ តែផ្អែកលើអក្សរផ្សេងទៀតក្នុងពាក្យផងដែរ។ ឧទាហរណ៍ លើភាសាអង់គ្លេស សម្លេង 'a' ក្នុង 'car' និង 'care' ខុសគ្នា។ ភាសាអង់គ្លេសមាន phonemes ៤៤ សម្រាប់អក្សរចំនួន ២៦ ដែលមានខ្លះស្រដៀងគ្នា ដូចជា phoneme ដដែលដែលប្រើក្នុងចាប់ផ្តើមពាក្យ 'circle' និង 'serpent'។
|
|
|
|
✅ សូមស្រាវជ្រាវ៖ តើ phonemes មានរបៀបបែបណាដែលសម្រាប់ភាសារបស់អ្នក?
|
|
|
|
បន្ទាប់ពីពាក្យត្រូវបានបម្លែងជាពាក្យ phonemes ត្រូវការព័ត៌មានបន្ថែមដើម្បីគាំទ្រសំឡេង intonation ការកែតម្រូវសំឡេង ឬរយៈពេលដោយផ្អែកលើបរិបទ។ ឧទាហរណ៍ នៅក្នុងភាសាអង់គ្លេស ការដុះសំឡេងអាចប្រើប្រាស់ដើម្បីបម្លែងប្រយោគទៅជាសំណួរ តាមរយៈការកើនឡើងសំឡេងនៅលើពាក្យចុងក្រោយ។
|
|
|
|
ឧទាហរណ៍ - ប្រយោគ "You have an apple" ជាការបញ្ជាក់ថាអ្នកមានផ្លែប៉ោម។ បើសំឡេងនៅចុងក្រោយកើនឡើង ឡើងក្នុងពាក្យ apple វានឹងក្លាយជាសំណួរ "You have an apple?" សួរថាតើអ្នកមានផ្លែប៉ោមឬទេ។ ការវិភាគភាសាត្រូវការប្រើសញ្ញាសំណួរនៅចុងដើម្បីសម្រាច់កំណត់សំឡេងឡើង។
|
|
|
|
បន្ទាប់ពីរូបសូណ៍ phonemes បានបង្កើត វាអាចផ្ញើទៅការបង្កើតរាងរលកសំឡេងសម្រាប់ផលិតសំឡេង output។
|
|
|
|
### ការបង្កើតរាងរលកសំឡេង
|
|
|
|
ប្រព័ន្ធអត្ថបទទៅសំឡេងអេឡិចត្រូនិចដំបូងបង្អស់គឺប្រើសំឡេងថតតែមួយសម្រាប់ phoneme មួយៗ ដែលធ្វើឲ្យសម្លេងមានលក្ខណៈម៉ូណូតូន និងសំឡេងរ៉ូបូត។ ការវិភាគភាសានឹងបង្កើត phonemes ហើយ phonemes ទាំងនេះត្រូវបានទាញពីមូលដ្ឋានទិន្នន័យសំឡេង ហើយភ្ជាប់ជាមួយគ្នា។
|
|
|
|
✅ សូមស្រាវជ្រាវ៖ រកសំឡេងថតពីប្រព័ន្ធបញ្ចេញសំឡេងដំបូងៗ។ប្រៀបធៀបទៅការបញ្ចេញសំឡេងសម័យថ្មី ដូចជាចែកចាយក្នុងជំនួយការឆ្លាតវៃ។
|
|
|
|
ការបង្កើតរាងរលកសំឡេងសម័យថ្មីប្រើម៉ូដែល ML ដែលបានបង្កើតតាមវិធីសាស្ត្រ deep learning (បណ្តាញប្រព័ន្ធប្រសាទធំៗដូចជានឺរុនទេនក្នុងខួរក្បាល) ដើម្បីបង្កើតសម្លេងធម្មជាតិតែមួយ ដែលមិនអាចបែងចែកពីសម្លេងមនុស្ស។
|
|
|
|
> 💁 ម៉ូដែល ML ខ្លះអាចបណ្ដុះបណ្ដាលឡើងវិញដោយ transfer learning ដើម្បីសម្លេងដូចជាមនុស្សពិត។ នេះមានន័យថាការប្រើសំឡេងជាប្រព័ន្ធសុវត្ថិភាព ដែលធនាគារត្រូវព្យាយាមធ្វើ អត់ត្រូវជាការគិតល្អទៀត ព្រោះនរណាម្នាក់ដែលមានសំឡេងថតរយៈពេលប៉ុន្មាននាទីអាចបម្រើប្រាស់សំឡេងអ្នកបាន។
|
|
|
|
ម៉ូដែល ML ដ៏ធំនេះកំពុងត្រូវបានបណ្ដុះបណ្ដាលដើម្បីបញ្ចូលដំណាក់កាលទាំងបីទៅជា speech synthesizers ឲ្យបានជារួម។
|
|
|
|
## កំណត់ម៉ោង
|
|
|
|
ដើម្បីកំណត់ម៉ោង ឧបករណ៍ IoT របស់អ្នកត្រូវហៅ REST endpoint ដែលអ្នកបានបង្កើតដោយកូដ serverless ហើយប្រើប្រាស់លេខវិនាទីដែលទទួលបានដើម្បីកំណត់ម៉ោង។
|
|
|
|
### កិច្ចការ - ហៅ function serverless ដើម្បីទទួលម៉ោងកំណត់
|
|
|
|
អនុវត្តតាមមគ្គុទេសក៍សមរម្យដើម្បីហៅ REST endpoint ពីឧបករណ៍ IoT របស់អ្នក ហើយកំណត់ម៉ោងតាមពេលដែលបានចាំបាច់៖
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-set-timer.md)
|
|
* [Single-board computer - Raspberry Pi/Virtual IoT device](single-board-computer-set-timer.md)
|
|
|
|
## បម្លែងអត្ថបទទៅសំឡេង
|
|
|
|
សេវាសំឡេងដូចគ្នា ដែលអ្នកប្រើប្រាស់សម្រាប់បម្លែងសំឡេងទៅអត្ថបទ អាចប្រើប្រាស់សម្រាប់បម្លែងអត្ថបទវិញទៅជាសំឡេង និងអាចលេងតាមម៉ាស៊ីនកាន់សំឡេងទៅលើឧបករណ៍ IoT របស់អ្នក។ អត្ថបទដែលត្រូវបម្លែងនឹងត្រូវផ្ញើទៅសេវាសំឡេង ជាមួយប្រភេទសំឡេង (ដូចជា sample rate) ហើយទិន្នន័យប៊ីណារីអាចត្រូវបានត្រឡប់មកវិញ។
|
|
|
|
ពេលអ្នកផ្ញើសំណើនេះ អ្នកផ្ញើដោយប្រើ *Speech Synthesis Markup Language* (SSML) ដែលជាភាសា XML មួយសម្រាប់កម្មវិធីបញ្ចេញសំឡេង។ វាកំណត់មិនត្រឹមតែអត្ថបទត្រូវបម្លែងទេ តែភាសា សំឡេងដែលត្រូវប្រើ ហើយអាចកំណត់ល្បឿន សំឡេង និង pitch សម្រាប់ពាក្យខ្លះ ឬទាំងអស់។
|
|
|
|
ឧទាហរណ៍ SSML នេះកំណត់ស្នើសុំបម្លែងអត្ថបទ "Your 3 minute 5 second time has been set" ទៅជាសំឡេងដោយប្រើសំឡេង British English ដែលមានឈ្មោះ `en-GB-MiaNeural`
|
|
|
|
```xml
|
|
<speak version='1.0' xml:lang='en-GB'>
|
|
<voice xml:lang='en-GB' name='en-GB-MiaNeural'>
|
|
Your 3 minute 5 second time has been set
|
|
</voice>
|
|
</speak>
|
|
```
|
|
|
|
> 💁 ប្រព័ន្ធអត្ថបទទៅសំឡេងភាគច្រើនមានសំឡេងច្រើនបំផុតសម្រាប់ភាសាផ្សេងៗ ដែលមានអក្សរទាំងប្រ៊ិតស និងអង់គ្លេសនូវហ្ស៊ីឡង់ ដែលមានឡើងវិញតំបន់ភាសាផ្សេងៗ។
|
|
|
|
### កិច្ចការ - បម្លែងអត្ថបទទៅសំឡេង
|
|
|
|
អនុវត្តតាមមគ្គុទេសក៍ដែលសមរម្យដើម្បីបម្លែងអត្ថបទទៅសំឡេងតាមឧបករណ៍ IoT របស់អ្នក៖
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-text-to-speech.md)
|
|
* [Single-board computer - Raspberry Pi](pi-text-to-speech.md)
|
|
* [Single-board computer - Virtual device](virtual-device-text-to-speech.md)
|
|
|
|
---
|
|
|
|
## 🚀 ហ៊ានប្រកួត
|
|
|
|
SSML មានវិធីសាស្រ្តផ្លាស់ប្ដូរប្លង់នៃការនិយាយពាក្យ ម្តងទៀត ដូចជាការបន្ថែមការលើកទម្ងន់លើពាក្យណាមួយ ការបន្ថែមការឈប់ ឬការផ្លាស់ប្ដូរសំឡេង pitch។ សូមសាកល្បងកាលពីនេះ ដោយផ្ញើ SSML ផ្សេងៗពីឧបករណ៍ IoT របស់អ្នក ហើយប្រៀបធៀបផលបញ្ចេញអោយបាន។ អ្នកអាចអានបន្ថែមអំពី SSML រួមទាំងវិធីផ្លាស់ប្ដូររបៀបនិយាយពាក្យក្នុង [Speech Synthesis Markup Language (SSML) Version 1.1 specification ពីអង្គការពិភពលោកវែប (World Wide Web consortium)](https://www.w3.org/TR/speech-synthesis11/)។
|
|
|
|
## សំណួរផុសមេរៀន
|
|
|
|
[សំណួរផុសមេរៀន](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/46)
|
|
|
|
## ពិនិត្យឡើងវិញ និងរៀនដោយខ្លួនឯង
|
|
|
|
* អានបន្ថែមអំពី speech synthesis នៅលើ [ទំព័រសម្រាប់ speech synthesis នៅវិគីភីឌា](https://wikipedia.org/wiki/Speech_synthesis)
|
|
* អានបន្ថែមអំពីវិធីដែលឥណបញ្ញត្តិប្រើ speech synthesis ដើម្បីលួចលុយ នៅលើ [រឿងប្លែកសំឡេងគួរឲ្យជឿប៉ុន្មាន 'help cyber crooks steal cash' នៅទំព័រព័ត៌មាន BBC](https://www.bbc.com/news/technology-48908736)
|
|
* រៀនបន្ថែមអំពីហានិភ័យទៅបំរើលោកជំនាញសំឡេងពីបំលែងសំឡេងដោយ AI នៅក្នុង [អត្ថបទស្តីពីការតុលាការតិកតុកដែលបង្ហាញពីការជ្រុះជ្រើសរបស់ AI លើសំឡេងបំរើលោកនៅលើ Vice](https://www.vice.com/en/article/z3xqwj/this-tiktok-lawsuit-is-highlighting-how-ai-is-screwing-over-voice-actors)
|
|
|
|
## កិច្ចការ
|
|
|
|
[បោះបង់ម៉ោងកំណត់](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**ប DISCLAIMER**:
|
|
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)। ខណៈពេលយើងព្យាយាមឲ្យបានត្រឹមត្រូវ សូមដឹងថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាដើមគួរត្រូវបានគេទទួលស្គាល់ជាលំនាំដើមដែលមានអំណាចខ្ពស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ ប្រើការបកប្រែដោយមនុស្សដែលមានវិជ្ជាជីវៈគួរត្រូវបានផ្ដល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសពីការប្រើប្រាស់ការបកប្រែនេះទេ។
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |