گفتار به متن فارسی

گزارش را دیکته کنید؛ صدا از رایانه خارج نمی‌شود

دکمه‌ی میکروفون را نگه دارید و صحبت کنید. متن فارسی در همان کادر نوشته می‌شود. تشخیص گفتار با مدل محلی و بدون اینترنت انجام می‌شود و فایل صدا پس از تبدیل پاک می‌شود.

آفلاین بدون سرور و اینترنت ۱۶۲ اصطلاح تخصصی ۳ حوزه: سکته، نوار قلب، دیابت

کجا استفاده می‌شود

  • گزارش نهایی سکته: کادر «توضیحات و اصلاحات رادیولوژیست» وقتی خروجی هوش مصنوعی با اصلاح تأیید یا رد می‌شود.
  • نوار قلب: «یادداشت پزشک» در زبانه‌ی فوریت‌ها.

تایپ همیشه در همان کادر کنار دیکته کار می‌کند. پزشک می‌تواند بخشی را بگوید و بخشی را بنویسد یا متن دیکته‌شده را ویرایش کند.

چطور کار می‌کند

  1. push-to-talkضبطتا وقتی دکمه نگه داشته شود، صدا با کیفیت ۱۶ کیلوهرتز و تک‌کاناله ضبط می‌شود.
  2. Vosk · faتشخیص گفتارمدل فارسی Vosk روی همان رایانه صدا را به متن تبدیل می‌کند.
  3. vocabularyیکدست‌سازیعبارت‌های گفتاری اصطلاحات تخصصی به شکل نوشتاری استاندارد تبدیل می‌شوند.
  4. confidence < 0.6واژه‌های نامطمئنبرای بازبینی پزشک فهرست می‌شوند، با نزدیک‌ترین اصطلاح پیشنهادی.
  5. deleteپاک کردن صدافایل صوتی موقت پس از تبدیل حذف می‌شود.

مدل کوچک فارسی حدود ۱۰۰ مگابایت جا می‌گیرد و در حدود یک ثانیه بارگذاری می‌شود، پس روی لپ‌تاپ معمولی بخش هم اجرا می‌شود. این انتخاب بیمارستان بود: پزشکان به اینترنت دسترسی ندارند، سروری در کار نیست و صدای پزشک نباید از بیمارستان خارج شود.

واژه‌نامه‌ی تخصصی

سه واژه‌نامه برای سکته، نوار قلب و دیابت، روی هم ۱۶۲ اصطلاح. هر اصطلاح یک شکل نوشتاری و چند شکل گفتاری دارد. برای مثال وقتی پزشک «ای دی سی» می‌گوید، متن ADC نوشته می‌شود. این واژه‌نامه به صورت کتابچه‌ی فارسی به بیمارستان داده شده است تا پزشکان شکل‌های گفتاری را ببینند.

قاعده‌ی تغییر ندادن یافته‌ها

یکدست‌سازی فقط املا و نشانه‌گذاری را تغییر می‌دهد. برای اینکه هرگز معنای گزارش عوض نشود:

  • هیچ شکل گفتاری‌ای نمی‌تواند شامل واژه‌ی نفی، قطعیت، سمت، محل یا عدد باشد. این قاعده هنگام بارگذاری واژه‌نامه و در آزمون‌های خودکار بررسی می‌شود.
  • هیچ جایگزینی بر اساس «شباهت» انجام نمی‌شود؛ فقط عبارت‌هایی که دقیقاً با یک شکل گفتاری برابرند تبدیل می‌شوند.
  • واژه‌هایی که مدل درباره‌شان مطمئن نیست تغییر داده نمی‌شوند؛ فقط برای بررسی پزشک علامت می‌خورند.

پوشش واژگان و انتخاب مدل نهایی

مدل‌های Vosk فقط واژه‌هایی را می‌نویسند که در واژگانشان هست. ما این را برای هر ۱۶۲ اصطلاح اندازه گرفتیم:

مدلحجم روی دیسکاصطلاح‌های بیرون از واژگان
vosk-model-small-fa-0.42≈۱۰۰ MB۴۹ از ۱۶۲
vosk-model-fa-0.42≈۲٫۶ GB۱۳ از ۱۶۲

اصطلاح‌هایی مانند restriction، انفارکت، لاکونار، penumbra و hyperintense در مدل کوچک نیستند و به صورت واژه‌های دیگر نوشته می‌شوند؛ پزشک باید آن‌ها را بازبینی کند. انتخاب مدل نهایی (مدل بزرگ‌تر، افزودن واژه به مدل کوچک، یا موتور دیگر) بر اساس نمونه‌ی صدای رادیولوژیست‌ها در دوره‌ی پایلوت انجام می‌شود، نه بر اساس حدس.

بالین را در بخش خودتان ببینید

در جلسه‌ی دمو یک پذیرش کامل را اجرا می‌کنیم، یک نوار قلب بی‌نام از بخش شما را تفسیر می‌کنیم و شرایط اجرای پایلوت را با هم مرور می‌کنیم.