Zvukové záznamy zaznamenané pomocou digitálnych záznamníkov hlasu "Gnom R" a "Gnom 2M" spĺňajú požiadavky na zvukové záznamy prijaté na fonoskopické vyšetrenia a sú vhodné na identifikáciu osoby podľa hlasu a reči...

Prvý zástupca náčelníka

Diktafón "Gnome 2M" bol opakovane používaný na nahrávanie konferencií a seminárov v náročnom akustickom prostredí, nahrané zvukové stopy sú vysokej kvality. Vstavaná funkcia redukcie šumu umožňuje zlepšiť kvalitu prehrávania zvukových záznamov ...

Vedúci inžinier IPK BNTU

Inštitút vyššieho štúdia a rekvalifikácie personálu BNTU

Počas obdobia prevádzky sa "Gnome R" etabloval na pozitívnej strane. Vysoká kvalita záznamu s minimálnymi rozmermi, dlhá doba záznamu zvuku, rýchly prenos nahromadených informácií zo vstavanej pamäte rekordéra do PC...

Vyšší dôstojník 3. oddelenia siedmeho riaditeľstva

Generálny štáb ozbrojených síl Bieloruskej republiky

Zvukové záznamy zaznamenané systémom „Forget-me-not II“ spĺňajú požiadavky na viackanálové digitálne komplexy na záznam hlasových správ cez telefónne komunikačné kanály a sú vhodné na identifikáciu osoby podľa hlasu a reči ...

Vedúci centra

Štátne forenzné expertízne centrum

Neobmedzený počet avizovaných predplatiteľov, veľké množstvo súčasne spracovaných úloh urobí z Rupora nepostrádateľného pomocníka v práci zamestnancov úverového oddelenia pobočky č.524 Belarusbank ASB...

Zástupca riaditeľa - vedúci Retail Business Center

Pobočka č. 524 JSC "ASB Belarusbank"

Automatický oznamovací systém "Rupor" pracoval na analógových telefónnych linkách a bol testovaný za účelom upovedomenia personálu. Systém slúžil 100 predplatiteľom, fungoval stabilne a nevyžadoval neustálu údržbu...

Úradujúci vojenský komisár

Vojenský komisariát v Minsku

Záznamový systém Forget-Me-Not II zabezpečuje príjem hlasových správ od obyvateľov, ich kvalitný záznam do počítača, možnosť vypočuť si nahrané správy a zadávať informácie do textovej databázy. Notifikačný systém Rupor automaticky upozorňuje dlžníkov...

Vedúci oddelenia ACS

UE "ZhREO sovietskeho okresu Minsk"

Systém Rupor poskytuje oznámenie o veľkom počte účastníkov v krátkom čase v súlade so stanovenými parametrami s poskytnutím správy o vykonanom oznámení, funguje spoľahlivo, plne vyhovuje požiadavkám naň ...

Riaditeľ oddelenia maloobchodu

Mobilný systém na nahrávanie a dokumentovanie reči „Protocol“ obsahuje digitálny hlasový záznamník „Gnome 2M“ a počítačový prepisovač „Caesar“. Diktafón "Gnome 2M" umožňuje získať vysokokvalitný záznam stretnutí a stretnutí a prepisovač "Caesar" výrazne zvyšuje rýchlosť prekladu zvukových informácií do textového dokumentu...

Vedúci špecialista

Ústav štátu a práva Akadémie vied Bieloruskej republiky

Identifikácia podľa hlasu

V modernom svete je čoraz väčší záujem o biometrické technológie a biometrické osobné identifikačné systémy a tento záujem je celkom pochopiteľný.

Biometrická identifikácia je založená na princípe rozpoznávania a porovnávania jedinečných vlastností ľudského tela. Hlavnými zdrojmi biometrických charakteristík osoby sú odtlačky prstov, dúhovka a sietnica, hlas, tvár, podpis, chôdza atď. Tieto biometrické identifikátory patria osobe a sú jej neoddeliteľnou súčasťou. Nemožno ich zabudnúť, nechať, niekde stratiť.

Na biometrickú identifikáciu možno využiť rôzne charakteristiky a črty osoby. Tento článok poskytuje krátky prehľad o tom, ako fungujú biometrické technológie na príklade systému rozpoznávania hlasu.

Hodnota hlasovej technológie pre biometriu bola opakovane preukázaná. Avšak iba vysoká kvalita implementácie systémov automatického rozpoznávania rečníkov môže skutočne uviesť takéto technológie do praxe. Podobné systémy už existujú. Používajú sa v bezpečnostných systémoch, bankovej technike, elektronickom obchode, presadzovaní práva.

Používanie systémov rozpoznávania hovoriacich je najprirodzenejším a najhospodárnejším spôsobom riešenia problémov neoprávneného prístupu k počítaču alebo systémom prenosu informácií, ako aj problémov viacúrovňového riadenia prístupu k sieťovým alebo informačným zdrojom.

Systémy rozpoznávania hovoriaceho môžu vyriešiť dva problémy: identifikovať osobu z daného obmedzeného zoznamu ľudí (identifikácia osobnosti) alebo potvrdiť identitu hovoriaceho (overenie identity). Identifikácia a overenie osoby hlasom sú smery vývoja technológie spracovania reči.

Ryža. 1 - Rozpoznanie reproduktora

Reč je signál, ktorý je výsledkom transformácií prebiehajúcich na niekoľkých rôznych úrovniach: sémantickej, lingvistickej, artikulačnej a akustickej. Ako je známe, hlasový trakt slúži ako zdroj rečového signálu, ktorý budí zvukové vlny v elastickom vzduchovom médiu. Hlasový trakt sa zvyčajne vzťahuje na orgán produkcie reči, ktorý sa nachádza nad hlasivkami. Ako je možné vidieť na obrázku 2, vokálny trakt pozostáva z laryngofaryngu, orofaryngu, ústnej dutiny, nosohltanu a nosovej dutiny.

Ryža. 2 - Štruktúra ľudského hlasového traktu

Hlas človeka nastáva, keď vzduch prechádza z pľúc cez priedušnicu do hrtana, cez hlasivky a potom do hltana a ústnej a nosnej dutiny. Keď zvuková vlna prechádza hlasovým traktom, mení sa jej frekvenčné spektrum v dôsledku vibrácií vokálneho traktu. Vibrácie vokálneho traktu sa nazývajú formanty. Systémy overovania hovoriaceho zvyčajne rozpoznávajú charakteristické znaky rečového signálu, ktoré odrážajú individuálnu vlastnosť svalovej aktivity hlasového traktu jednotlivca.

Pozrime sa podrobnejšie na systém overovania hovorcov. Overenie identity hlasom je určenie, či hovoriaci je tým, kým sa javí byť. Používateľ predtým zaregistrovaný v systéme vysloví svoj identifikátor, ktorým je registračné číslo, heslo alebo fráza. Vďaka rozpoznávaniu na základe textu systém pozná heslo a „požiada“ používateľa, aby ho povedal. Heslo sa zobrazí na obrazovke a osoba ho vysloví do mikrofónu. Pri rozpoznávaní nezávislom od textu sa heslo vyslovené používateľom nezhoduje s referenčným slovom, t.j. ako heslo môže používateľ vysloviť ľubovoľné slovo alebo frázu. Overovací systém prijme rečový signál, spracuje ho a rozhodne, či prijme alebo odmietne identifikátor predložený používateľom. Systém môže informovať používateľa o nedostatočnom stupni zhody jeho hlasu s existujúcim štandardom a požiadať ho o vyslovenie dodatočných informácií pre konečné rozhodnutie.

Ryža. 3 - Interakcia človeka so systémom

Schéma interakcie človeka so systémom overovania identity hlasom je na obrázku 3. Používateľ vysloví do mikrofónu číslo, ktoré mu systém ponúkne, aby systém skontroloval, či jeho hlas zodpovedá štandardu uloženému v systémovú databázu. Spravidla existuje kompromis medzi presnosťou rozpoznávania hlasu a veľkosťou vzorky reči, t.j. čím dlhšia je vzorka reči, tým vyššia je presnosť rozpoznávania. Okrem hlasu sa do mikrofónu môže dostať ozvena a cudzí hluk.

Existuje množstvo faktorov, ktoré môžu prispieť k výskytu chýb pri overovaní a identifikácii, napríklad:

• nesprávna výslovnosť alebo čítanie hesla alebo slovného spojenia;
• emocionálny stav hlásateľa (stres, vyslovenie prístupovej frázy pod nátlakom a pod.);
• ťažké akustické prostredie (hluk, rušenie, rádiové vlny atď.);
• rôzne komunikačné kanály (používanie rôznych mikrofónov počas registrácie a overovania rečníka);
• prechladnutie;
• prirodzené zmeny hlasu.

Niektoré z nich sa dajú eliminovať napríklad použitím lepších mikrofónov.

Proces overovania identity hlasom pozostáva z 5 etáp: príjem rečového signálu, parametrizácia alebo rozlišovanie znakov hlasu, porovnanie prijatej vzorky hlasu s už zavedeným štandardom, rozhodnutie o úspešnosti/neúspešnosti, školenie alebo aktualizácia referenčný model. Overovacia schéma je znázornená na obrázku 4.

Ryža. 4 - Overovacia schéma

Počas registrácie nový používateľ zadá svoje ID a potom niekoľkokrát povie kľúčové slovo alebo frázu, čím sa vytvoria šablóny. Počet opakovaní prístupovej frázy sa môže u každého používateľa líšiť alebo môže byť pre všetkých konštantný.

Aby počítač spracoval rečový signál, zvuková vlna sa prevedie na analógový signál a potom na digitálny signál.

Vo fáze extrakcie hlasových funkcií sa rečový signál rozdelí na samostatné zvukové rámce, ktoré sa následne prevedú na digitálny model. Tieto modely sa nazývajú „hlasové výtlačky“. Novo prijatý „hlasový výtlačok“ sa porovnáva s predtým zavedeným štandardom. Pre rozpoznanie identity hovoriaceho sú najdôležitejšie tie najdôležitejšie rozlišovacie znaky hlasu, ktoré by systému umožnili presne rozpoznať hlas každého jednotlivého užívateľa.

Nakoniec sa systém rozhodne pripustiť alebo zamietnuť prístup používateľa v závislosti od zhody alebo nesúladu jeho hlasu so zavedeným štandardom. Ak systém nesprávne porovnal hlas, ktorý je mu prezentovaný, so štandardom, dôjde k chybe „falošnej tolerancie“ (FA). Ak systém nerozpoznal biometrický prvok, ktorý zodpovedá štandardu, ktorý je v ňom dostupný, hovorí o chybe „falošného odmietnutia“ (FR). Chyba falošného prijatia vytvára bezpečnostnú dieru a chyba falošného odmietnutia vedie k zníženej použiteľnosti systému, ktorý niekedy nespozná osobu na prvýkrát. Pokus o zníženie pravdepodobnosti výskytu jednej chyby vedie k častejšiemu výskytu inej, preto sa v závislosti od požiadaviek na systém volí určitý kompromis, t.j. je stanovený prah rozhodovania.

Záver

V praxi sa využívajú aj metódy hlasovej identifikácie. Technológia identifikácie podľa hlasu spoločnosti umožňuje organizovať regulovaný prístup používateľov podľa zadanej prístupovej frázy k podnikovým zdrojom, telefónnym a WEB službám. Použitie technológie môže výrazne zvýšiť bezpečnosť systémov a zároveň zjednodušiť proces identifikácie užívateľa. Technológia Voice Key zabezpečí vysokú spoľahlivosť a stabilitu systému, ako aj pomôže zlepšiť kvalitu služieb zákazníkom.

Všetky materiály zverejnené na tejto stránke sú povolené na publikovanie a tlač na iných zdrojoch a tlačových publikáciách len s písomným súhlasom Speech Technologies LLC

Vedeli ste, že technológia rozpoznávania hlasu existuje už 50 rokov? Vedci riešia tento problém už pol storočia a až v posledných desaťročiach sa k jeho riešeniu pridali aj IT firmy. Výsledkom posledného roku práce bola nová úroveň presnosti rozpoznávania a masívne využívanie technológií v každodennom a profesionálnom živote.

Technológia v živote

Vyhľadávače používame každý deň. Hľadáme, kde sa naobedovať, ako sa dostať na správne miesto, alebo sa snažíme nájsť význam neznámeho pojmu. Technológia rozpoznávania hlasu, ktorú používa napríklad Google alebo Yandex.Navigator, nám pomáha stráviť pri hľadaní minimum času. Je to jednoduché a pohodlné.

V profesionálnom prostredí pomáha technika niekoľkonásobne zjednodušiť prácu. Napríklad v medicíne je reč lekára prevedená na text anamnézy a receptu hneď pri stretnutí. To šetrí čas pri zadávaní informácií o pacientovi do dokumentov. Systém zabudovaný v palubnom počítači auta reaguje na požiadavky vodiča, pomáha napríklad nájsť najbližšiu čerpaciu stanicu. Pre ľudí so zdravotným postihnutím je dôležité zaviesť do softvéru domácich spotrebičov systémy na ich ovládanie hlasom.

Vývoj systémov rozpoznávania hlasu

Myšlienka rozpoznávania reči vyzerala vždy sľubne. Ale už v štádiu rozpoznávania čísel a najjednoduchších slov sa výskumníci stretli s problémom. Podstata rozpoznávania sa zredukovala na konštrukciu akustického modelu, kedy sa reč prezentovala ako štatistický model, ktorý sa porovnával s hotovými šablónami. Ak sa model zhodoval so šablónou, systém rozhodol, že príkaz alebo číslo boli rozpoznané. Nárast slovníkov, ktoré systém dokázal rozpoznať, si vyžiadal zvýšenie výkonu výpočtových systémov.

GGrafy rastu výkonu počítača a redukcie chýb rozpoznávania v anglických systémoch rozpoznávania hlasu
Zdroje:Bylina Sutter. Obed zadarmo sa skončil: zásadný obrat smerom k súbežnosti v softvéri
https://minghsiehee.usc.edu/2017/04/the-machines-are-coming/

Dnes sú rozpoznávacie algoritmy doplnené o jazykové modely, ktoré popisujú štruktúru jazyka, napríklad typickú sekvenciu slov. Systém je trénovaný na skutočnom rečovom materiáli.

Novou etapou vo vývoji technológie bolo využitie neurónových sietí. Systém rozpoznávania je navrhnutý tak, aby každé nové rozpoznanie ovplyvnilo presnosť rozpoznávania v budúcnosti. Systém sa stáva naučiteľným.

Kvalita systémov rozpoznávania hlasu

Stav vecí vo vývoji technológie dnes vyjadruje cieľ: od rozpoznávania reči k porozumeniu. Na tento účel bol zvolený aj kľúčový ukazovateľ – percento chýb v rozpoznávaní. Stojí za to povedať, že takýto ukazovateľ sa používa aj pri rozpoznávaní reči jednej osoby druhou. Niektoré slová vynechávame, berúc do úvahy iné faktory, napríklad kontext. To nám umožňuje porozumieť reči aj bez chápania významov jednotlivých slov. Pre človeka je chybovosť rozpoznávania 5,1 %.

Ďalšími ťažkosťami pri výučbe systému rozpoznávania reči na pochopenie jazyka budú emócie, neočakávaná zmena témy konverzácie, používanie slangu a individuálne charakteristiky hovoriaceho: rýchlosť reči, zafarbenie, výslovnosť zvukov.

Hráči na svetovom trhu

Na trhu platforiem na rozpoznávanie hlasu je známych niekoľko globálnych hráčov. Sú to Apple, Google, Microsoft, IBM. Tieto spoločnosti majú dostatočné zdroje na výskum a rozsiahlu základňu na školenie vlastných systémov. Napríklad Google používa na učenie milióny vyhľadávacích dopytov, ktoré si používatelia radi kladú. Na jednej strane to zvyšuje presnosť rozpoznávania a na druhej strane to prináša obmedzenia: systém rozpoznáva reč v segmentoch po 15 sekundách a počíta so „širokoprofilovou otázkou“. Chyba rozpoznávania systému Google – 4,9 %. Pre IBM je toto číslo 5,5% a pre Microsoft - 6,3% na konci roka 2016.

Platformu pre využitie v profesionálnych oblastiach vyvíja americká spoločnosť Nuance. Medzi oblasti použitia: medicína, právo, financie, žurnalistika, stavebníctvo, bezpečnosť, automobilový priemysel.

V Rusku je Centrum pre technológie reči najväčším výrobcom profesionálnych nástrojov na rozpoznávanie hlasu a syntézu reči. Riešenia spoločnosti sú implementované v 67 krajinách sveta. Hlavné oblasti práce: hlasová biometria – identifikácia hlasom; hlasové samoobslužné systémy - IVR, používané v call centrách; syntetizátory reči. V USA ruská spoločnosť pôsobí pod značkou SpeechPro a vykonáva výskum v oblasti rozpoznávania reči v angličtine. Výsledky rozpoznávania sú zahrnuté v TOP-5 výsledkov z hľadiska chyby.

Hodnota rozpoznávania hlasu v marketingu

Cieľom marketingu je študovať potreby trhu a organizovať podnikanie v súlade s nimi, aby sa zvýšila ziskovosť a efektívnosť. Hlas zaujíma marketérov v dvoch prípadoch: ak hovorí klient a ak hovorí zamestnanec. Predmetom štúdia pre marketérov a rozsahom technológie sú preto telefonáty.

Dnes je analýza telefonických rozhovorov slabo rozvinutá. Hovory je potrebné nielen nahrávať, ale aj počúvať, vyhodnocovať a až potom analyzovať. Ak nie je zložité zorganizovať nahrávku – môže to byť akákoľvek virtuálna pobočková ústredňa alebo služba sledovania hovorov – potom je už náročnejšie organizovať počúvanie hovorov. Túto úlohu rieši buď jednotlivec vo firme, alebo vedúci call centra. Odpočúvanie hovorov je tiež outsourcované. V každom prípade je chyba v odhade hovoru problémom, ktorý spochybňuje výsledky analýzy a rozhodnutia prijaté na ich základe.

V našom modernom svete plnom udalostí je rýchlosť práce s informáciami jedným zo základných kameňov úspechu. To, ako rýchlo prijímame, vytvárame a spracovávame informácie, závisí od našej pracovnej produktivity a produktivity, a teda od nášho okamžitého materiálneho bohatstva. Medzi nástrojmi, ktoré môžu zvýšiť naše pracovné možnosti, zaujímajú dôležité miesto programy na preklad reči do textu, ktoré dokážu výrazne zvýšiť rýchlosť písania potrebných textov. V tomto článku vám poviem, aké sú populárne programy na preklad zvukového hlasu do textu a aké sú ich vlastnosti.

Aplikácia na prekladanie zvuku z hlasu do textu – systémové požiadavky

Väčšina v súčasnosti existujúcich programov na preklad hlasu do textu je platenej povahy a predstavuje množstvo požiadaviek na mikrofón (v prípade, že je program určený pre počítač). Dôrazne sa neodporúča pracovať s mikrofónom zabudovaným do webovej kamery, ako aj umiestneným v štandardnom puzdre na prenosný počítač (kvalita rozpoznávania reči z takýchto zariadení je na pomerne nízkej úrovni). Okrem toho je dosť dôležité mať tiché prostredie, bez zbytočného hluku, ktorý môže priamo ovplyvniť úroveň rozpoznávania vašej reči.

Väčšina týchto programov je zároveň schopná nielen transformovať reč na text na obrazovke počítača, ale aj pomocou hlasových príkazov ovládať váš počítač (spúšťanie programov a ich zatváranie, prijímanie a odosielanie e-mailov, otváranie a zatváranie webových stránok , a tak ďalej).

Program prevodu reči na text

Prejdime k priamemu popisu programov, ktoré môžu pomôcť pri preklade reči do textu.

Program "Laitis"

Bezplatný ruský program na rozpoznávanie hlasu "Laitis" má dobrú kvalitu porozumenia reči a podľa jeho tvorcov je schopný takmer úplne nahradiť známu klávesnicu používateľa. Program tiež funguje dobre s hlasovými príkazmi, čo vám umožňuje vykonávať mnoho akcií na správu počítača s ich pomocou.

Pre svoju činnosť program vyžaduje povinnú dostupnosť vysokorýchlostného internetu na PC (program využíva sieťové služby rozpoznávania hlasu od Google a Yandex). Možnosti programu vám tiež umožňujú ovládať prehliadač pomocou hlasových príkazov, pre ktoré je potrebné nainštalovať špeciálne rozšírenie od spoločnosti Laitis (Chrome, Mozilla, Opera) do vášho webového navigátora.

"Dragon Professional" - prepis zvukových záznamov do textu

V čase písania tohto článku išlo o digitálny produkt v anglickom jazyku « Dragon Professional Individual „je jedným zo svetových lídrov v kvalite uznávaných textov. Program rozumie siedmim jazykom (zatiaľ funguje iba mobilná aplikácia Dragon Anywhere so zapnutou ruštinou a), má vysokokvalitné rozpoznávanie hlasu a dokáže vykonávať množstvo hlasových príkazov. Tento produkt má zároveň výlučne platený charakter (cena za hlavný program je 300 amerických dolárov a za „domácu“ verziu produktu Dragon Home bude musieť kupujúci zaplatiť 75 amerických dolárov).

Tento produkt od Nuance Communications pre svoju prevádzku vyžaduje vytvorenie vlastného profilu, ktorý je navrhnutý tak, aby prispôsobil možnosti programu špecifikám vášho hlasu. Okrem priameho diktovania textu môžete program naučiť vykonávať množstvo príkazov, čím sa vaša interakcia s počítačom stane ešte zhodnejšou a pohodlnejšou.

"RealSpeaker" - ultra presný rozpoznávač reči

Program na transformáciu hlasu na text „ RealSpeaker“ vám okrem funkcií štandardných pre programy tohto druhu umožňuje využívať možnosti webovej kamery vášho počítača. Teraz program nielen číta zvukovú zložku zvuku, ale zachytáva aj pohyb kútikov pier hovoriaceho, čím správnejšie rozpoznáva slová, ktoré vyslovuje.

„RealSpeaker“ číta nielen zvuk, ale aj vizuálnu zložku rečového procesu

Aplikácia podporuje viac ako desať jazykov (vrátane ruštiny), umožňuje vám rozpoznávať reč, berúc do úvahy akcenty a dialekty, umožňuje vám prepisovať zvuk a video, poskytuje vám prístup do cloudu a oveľa viac. Program je shareware, za platenú verziu budete musieť zaplatiť celkom reálne peniaze.

"Voco" - program rýchlo preloží hlas do textového dokumentu

Ďalším prevodníkom hlasu na text je platený digitálny produkt Voco, ktorého cena „domácej“ verzie je teraz asi 1 700 rubľov. Pokročilejšie a drahšie verzie tohto programu – „Voco.Professional“ a „Voco.Enterprise“ majú množstvo doplnkových funkcií, jednou z nich je rozpoznávanie reči zo zvukových nahrávok dostupných používateľovi.

Medzi funkcie "Voco" som si všimol možnosť doplnenia slovnej zásoby programu (teraz slovná zásoba programu obsahuje viac ako 85 000 slov), ako aj jeho offline prevádzku zo siete, čo vám umožňuje nezávisieť od vaše internetové pripojenie.

Medzi výhody "Voco" patrí vysoká schopnosť učenia programu

Aplikácia sa zapína celkom jednoducho – stačí dvakrát kliknúť na kláves „Ctrl“. Ak chcete aktivovať hlasový vstup v Gboarde, stačí stlačiť a podržať medzerník

Aplikácia je úplne zadarmo, podporuje niekoľko desiatok jazykov vrátane ruštiny.

Záver

Vyššie som uviedol programy na preklad vášho zvukového hlasového záznamu do textu, opísal som ich všeobecnú funkčnosť a charakteristické vlastnosti. Väčšina z týchto produktov má zvyčajne platenú povahu, zatiaľ čo rozsah a kvalita programov v ruskom jazyku sú kvalitatívne nižšie ako ich náprotivky v anglickom jazyku. Pri práci s takýmito aplikáciami odporúčam venovať osobitnú pozornosť vášmu mikrofónu a jeho nastaveniam - to je dôležité v procese rozpoznávania reči, pretože zlý mikrofón môže negovať aj najkvalitnejší softvér typu, ktorý som zvažoval.

Encyklopedický YouTube

• 1 / 5

  Práce na rozpoznávaní reči siahajú do polovice minulého storočia. Prvý systém vznikol začiatkom 50. rokov 20. storočia: jeho vývojári si dali za úlohu rozpoznávať čísla. Vyvinutý systém dokázal identifikovať čísla, ale vyslovované jedným hlasom, ako napríklad systém Bell Laboratories „Audrey“. Pracovala na základe určenia formantu v mocninovom spektre každej rečovej pasáže. Vo všeobecnosti sa systém skladal z troch hlavných častí: analyzátory a kvantizéry, šablóny sieťového porovnávača a nakoniec senzory. Vznikla na elementárnej báze rôznych frekvenčných filtrov, spínačov, ako aj plynom naplnených trubíc ako súčasť senzorov [ ] .

  Koncom dekády sa objavili systémy, ktoré rozpoznávali samohlásky nezávisle od hlásateľa. V 70. rokoch sa začali používať nové metódy, ktoré umožňovali dosahovať dokonalejšie výsledky - metóda dynamického programovania a metóda lineárnej predikcie (Linear Predictive Coding - LPC). V spomínanej spoločnosti Bell Laboratories boli vytvorené systémy, ktoré využívajú práve tieto metódy. V 80. rokoch bolo ďalším krokom vo vývoji systémov rozpoznávania hlasu použitie skrytých Markovových modelov (Hidden Markov Models - HMM). V tomto čase sa začali objavovať prvé veľké programy na rozpoznávanie hlasu, ako napríklad Kurzweil text-to-speech. Koncom 80. rokov sa začali uplatňovať aj metódy umelých neurónových sietí (Artificial Neural Network - ANN). V roku 1987 sa na trhu objavila bábika Julie od Worlds of Wonder, ktorá dokázala porozumieť hlasu. A o 10 rokov neskôr spoločnosť Dragon Systems vydala program NaturallySpeaking 1.0.

  Spoľahlivosť

  Hlavnými zdrojmi chýb rozpoznávania hlasu sú:

  Rozpoznávanie pohlavia možno rozlíšiť ako samostatný typ úlohy, ktorá je celkom úspešne vyriešená – pri veľkom množstve počiatočných údajov sa pohlavie určuje takmer presne a v krátkych pasážach, ako je prízvučná samohláska, je pravdepodobnosť chyby 5,3 % u mužov a 3,1 % pre ženy.

  Uvažovalo sa aj o probléme imitácie hlasu. Štúdie France Telecom ukázali, že profesionálna imitácia hlasu prakticky nezvyšuje pravdepodobnosť chyby pri identifikácii identity – imitátori predstierajú hlas len navonok, zdôrazňujúc znaky reči, ale nie sú schopní sfalšovať základný obrys hlasu. Dokonca aj hlasy blízkych príbuzných, dvojčiat budú mať rozdiel, aspoň v dynamike ovládania. S rozvojom výpočtovej techniky sa však objavil nový problém, ktorý si vyžaduje použitie nových metód analýzy - transformácie hlasu, ktorá zvyšuje pravdepodobnosť chyby až na 50%.

  Na opísanie spoľahlivosti systému sa používajú dve kritériá: FRR (False Rejection Rate) - pravdepodobnosť falošného odmietnutia prístupu (chyba prvého druhu) a FAR (False Acceptance Rate) - pravdepodobnosť falošného prijatia. keď systém omylom rozpozná niekoho iného za svojho (chyba druhého druhu) . Niekedy sú rozpoznávacie systémy tiež charakterizované takým parametrom ako EER (Equal Error Rates), ktorý predstavuje bod koincidencie pravdepodobností FRR a FAR. Čím je systém spoľahlivejší, tým má nižší EER.

  Chybové hodnoty identifikácie pre rôzne biometrické modality

  Aplikácia

  Uznávanie možno rozdeliť do dvoch hlavných oblastí: identifikácia a overenie. V prvom prípade musí systém samostatne identifikovať používateľa hlasom; v druhom prípade musí systém potvrdiť alebo zamietnuť identifikátor predložený používateľom. Definícia skúmaného rečníka spočíva v párovom porovnaní hlasových modelov, ktoré zohľadňujú individuálne charakteristiky reči každého rečníka. Preto musíme najprv zhromaždiť dostatočne veľkú databázu. A na základe výsledkov tohto porovnania možno zostaviť zoznam zvukových záznamov, ktoré sú s určitou pravdepodobnosťou prejavom používateľa, ktorý nás zaujíma.

  Hoci rozpoznávanie hlasu nemôže zaručiť 100% správny výsledok, dá sa celkom efektívne použiť v oblastiach ako forenzná a forenzná; spravodajská služba; protiteroristické monitorovanie; bezpečnosť; bankovníctvo a pod.

  Analýza

  Celý proces spracovania rečového signálu možno rozdeliť do niekoľkých hlavných etáp:

  • predspracovanie signálu;
  • výber kritérií;
  • rozpoznávanie reproduktorov.

  Každá fáza predstavuje algoritmus alebo nejakú sadu algoritmov, ktoré v konečnom dôsledku poskytujú požadovaný výsledok.

  Hlavné znaky hlasu tvoria tri hlavné vlastnosti: mechanika kmitov hlasiviek, anatómia hlasového traktu a systém riadenia artikulácie. Okrem toho je niekedy možné použiť slovník rečníka, jeho obraty. Hlavné znaky, na základe ktorých sa rozhoduje o osobnosti rečníka, sa formujú s prihliadnutím na všetky faktory procesu tvorby reči: zdroj hlasu, rezonančné frekvencie hlasového traktu a ich útlm, ako aj dynamiku ovládania artikulácie. Ak uvažujeme o zdrojoch podrobnejšie, potom medzi vlastnosti zdroja hlasu patria: priemerná frekvencia základného tónu, obrys a kolísanie frekvencie základného tónu a tvar budiaceho impulzu. Spektrálne charakteristiky vokálneho traktu sú opísané obalom spektra a jeho priemerným sklonom, formantovými frekvenciami, dlhodobým spektrom alebo kepstrom. Okrem toho sa zohľadňuje aj trvanie slov, rytmus (rozloženie stresu), úroveň signálu, frekvencia a trvanie prestávok. Na určenie týchto charakteristík je potrebné použiť pomerne zložité algoritmy, ale keďže napríklad chyba formantových frekvencií je dosť veľká, pre zjednodušenie sú kepstrové koeficienty vypočítané z obálky spektra alebo z prenosovej funkcie vokálneho traktu zistenej lineárnou používa sa predikčná metóda. Okrem spomínaných cepstrových koeficientov sa využívajú aj ich prvé a druhé časové rozdiely. Túto metódu prvýkrát navrhli Davis a Mermelstein.

  Cepstrálna analýza

  V prácach o rozpoznávaní hlasu je najpopulárnejšia metóda kepstrálnej transformácie spektra rečových signálov. Schéma metódy je nasledovná: v časovom intervale 10 - 20 ms sa vypočíta aktuálne výkonové spektrum a potom sa použije inverzná Fourierova transformácia z logaritmu tohto spektra (cepstrum) a zistia sa koeficienty: c n = 1 Θ ∫ 0 Θ ∣ S (j , ω , t) ∣ 2 exp − j n ω Ω ⁡ d ω (\displaystyle c_(n)=(\frac (1)(\Theta ))\int _(0 )^(\Theta )(\mid S(j,\omega ,t)\mid )^(2)\exp ^(-jn\omega \Omega )d\omega ), Ω = 2 2 π Θ , Θ (\displaystyle \Omega =2(\frac (2\pi )(\Theta )),\Theta )- horná frekvencia v spektre rečového signálu, ∣ S (j , ω , t) ∣ 2 (\displaystyle (\mid S(j,\omega ,t)\mid )^(2))- výkonové spektrum. Počet kepstrálnych koeficientov n závisí od požadovaného vyhladenia spektra a pohybuje sa od 20 do 40. Ak sa použije banka pásmových filtrov, potom sa koeficienty diskrétnej kepstrálnej transformácie vypočítajú ako c n = ∑ m = 1 N log ⁡ Y (m) 2 cos ⁡ π n M (m − 1 2)) (\displaystyle c_(n)=\sum _(m=1)^(N)\log (Y (m)^(2))\cos ((\frac (\pi n)(M))(m-(\frac (1)(2)))))), kde Y(m) je výstupný signál m-tého filtra, c n (\displaystyle c_(n))- n-tý koeficient kepstra.

  Sluchové vlastnosti sa zohľadňujú nelineárnou transformáciou frekvenčnej škály, zvyčajne do melovej škály. Táto stupnica je vytvorená na základe prítomnosti takzvaných kritických pásiem v uchu, takže signály akejkoľvek frekvencie v rámci kritického pásma sú nerozoznateľné. Kriedová stupnica sa vypočíta ako M (f) = 1125 ln ⁡ (1 + f 700) (\displaystyle M(f)=1125\ln ((1+(\frac (f)(700))))), kde f je frekvencia v Hz, M je frekvencia v mel. Alebo sa používa iná stupnica - kôra, takže rozdiel medzi dvoma frekvenciami, ktorý sa rovná kritickému pásmu, sa rovná 1 kôre. Frekvencia B sa vypočíta ako B = 13 a r c t g (0 , 00076 f) + 3 , 5 a r c t g f 7500 (\displaystyle B=13\operatorname (arctg((0.00076f))) +3.5\operatorname (arctg(\frac (f))(750 ). Koeficienty nachádzajúce sa v literatúre sa niekedy označujú ako MFCC – Mel Frequiency Ceptral Coefficients. Ich počet sa pohybuje od 10 do 30. Použitie prvého a druhého časového rozdielu kepstrálnych koeficientov strojnásobí rozmer rozhodovacieho priestoru, ale zlepší efektivitu rozpoznávania hovoriacich.

  Kepstrum opisuje tvar obálky spektra signálu, ktorý je ovplyvnený tak vlastnosťami zdroja budenia, ako aj vlastnosťami hlasového traktu. Pri pokusoch sa zistilo, že obálka spektra silne ovplyvňuje rozpoznávanie hlasu. Preto je použitie rôznych metód spektrálnej obálkovej analýzy na rozpoznávanie hlasu plne opodstatnené.

  Metódy

  Metóda GMM vyplýva z teorému, že akúkoľvek funkciu hustoty pravdepodobnosti možno reprezentovať ako vážený súčet normálnych rozdelení:

  P (x | λ) = ∑ j = 1 k ω j ϕ (χ , Θ j) (\displaystyle p(x|\lambda)=\sum _(j=1)^(k)(\omega _(j )\phi (\chi ,\Theta _(j)))); λ (\displaystyle \lambda )- model reproduktora, k - počet komponentov modelu; ω j (\displaystyle (\omega _(j)))- hmotnosti komponentov sú také, že ∑ j = 1 n ω j = 1. (\displaystyle \sum _(j=1)^(n)(\omega _(j))=1.) ϕ (χ , Θ j) (\displaystyle \phi (\chi ,\Theta _(j)))- distribučná funkcia viacrozmerného argumentu χ , Θ j (\displaystyle \chi ,\Theta _(j)) .ϕ (χ, Θ j) = p (χ ∣ μ j, R j) = 1 (2 π) n 2 ∣ R j ∣ 1 2 exp ⁡ − 1 (χ − μ j) T R j − 1 (χ − μ j) 2 (\displaystyle \phi (\chi ,\Theta _(j))=p(\chi \mid \mu _(j),R_(j))=(\frac (1)(((2\) pi ))^(\frac (n)(2))(\mid R_(j)\mid )^(\frac (1)(2))))\exp (\frac (-1(\chi -\ mu _(j))^(T)R_(j)^(-1)(\chi -\mu _(j)))(2))), ω j (\displaystyle \omega _(j))- jeho hmotnosť, k - počet zložiek v zmesi. Tu n je rozmer priestoru prvkov, μ j ∈ R n (\displaystyle \mu _(j)\in \mathbb (R) ^(n))- vektor matematického očakávania j-tej zložky zmesi, R j ∈ R n × n (\displaystyle R_(j)\in \mathbb (R) ^(n\krát n))- kovariančná matica.

  Systémy s týmto modelom veľmi často používajú diagonálnu kovariančnú maticu. Môže byť použitý pre všetky komponenty modelu alebo dokonca pre všetky modely. Na nájdenie kovariančnej matice, váh, stredných vektorov sa často používa EM algoritmus. Na vstupe máme trénovaciu postupnosť vektorov X = (x 1 , . . . , x T ) . Parametre modelu sa inicializujú počiatočnými hodnotami a potom sa pri každej iterácii algoritmu prehodnocujú parametre. Na určenie počiatočných parametrov sa zvyčajne používa klastrovací algoritmus, ako je algoritmus K-means. Po rozdelení sady trénovacích vektorov do M zhlukov môžu byť parametre modelu definované nasledovne: počiatočné hodnoty μ j (\displaystyle \mu _(j)) sa zhodujú so stredmi zhlukov, kovariančné matice sú vypočítané na základe vektorov, ktoré sú v tomto zhluku, váhy komponentov sú určené podielom vektorov tohto zhluku z celkového počtu trénovacích vektorov.

  Parametre sa prehodnocujú podľa nasledujúcich vzorcov:

  GMM možno nazvať aj rozšírením metódy vektorovej kvantizácie (metóda centroidu). Keď sa použije, vytvorí sa zoznam kódov pre neprekrývajúce sa oblasti v priestore funkcií (často pomocou klastrovania K-means). Vektorové kvantovanie je najjednoduchší model v kontextovo nezávislých rozpoznávacích systémoch.

  Podporný vektorový stroj (SVM) konštruuje nadrovinu vo viacrozmernom priestore, ktorý oddeľuje dve triedy – parametre cieľového reproduktora a parametre reproduktorov od referenčnej základne. Nadrovina je vypočítaná pomocou podporných vektorov - vybraných špeciálnym spôsobom. Uskutoční sa nelineárna transformácia priestoru meraných parametrov do nejakého priestoru znakov vyššieho rozmeru, keďže deliaca plocha nemusí zodpovedať nadrovine. Oddeľovacia plocha v nadrovine je konštruovaná strojom podporných vektorov, ak je splnená podmienka lineárnej oddeliteľnosti v priestore nových prvkov. Úspech aplikácie SMM teda závisí od zvolenej nelineárnej transformácie v každom konkrétnom prípade. Podporné vektorové stroje sa často používajú s GMM alebo HMM. Zvyčajne sa pre krátke frázy s trvaním niekoľkých sekúnd lepšie používajú HMM závislé od fonémov na kontextový prístup.

  Popularita

  Podľa poradenskej firmy International Biometric Group so sídlom v New Yorku je najbežnejšou technológiou snímanie odtlačkov prstov. Treba poznamenať, že zo 127 miliónov dolárov z predaja biometrických zariadení pripadá 44 % na daktyloskopické skenery. Systémy rozpoznávania tváre sú na druhom mieste v dopyte so 14 %, nasleduje rozpoznávanie tvaru dlane (13 %), rozpoznávanie hlasu (10 %) a rozpoznávanie dúhovky (8 %). Zariadenia na overenie podpisu tvoria 2 % tohto zoznamu. Niektorí z najznámejších výrobcov na trhu s hlasovou biometriou sú Nuance Communications, SpeechWorks, VeriVoice.

  Vo februári 2016 The Telegraph zverejnil článok oznamujúci, že zákazníci britskej banky HSBC budú môcť pristupovať k účtom a vykonávať transakcie pomocou hlasovej identifikácie. Prechod sa mal uskutočniť začiatkom leta

  Človeka vždy priťahovala myšlienka ovládať stroj prirodzeným jazykom. Možno je to čiastočne kvôli túžbe človeka byť NAD strojom. Takpovediac cítiť sa nadradene. Hlavným posolstvom je ale zjednodušenie interakcie človeka s umelou inteligenciou. Hlasové ovládanie v Linuxe je implementované s rôznym stupňom úspechu už takmer štvrťstoročie. Poďme pochopiť problém a pokúsime sa čo najviac priblížiť nášmu OS.

  Jadro veci

  Ľudské hlasové systémy pre Linux existujú už dlho a je ich veľa. Ale nie všetky správne spracovávajú ruskú reč. Niektoré sú úplne opustené vývojármi. V prvej časti našej recenzie si povieme priamo o systémoch rozpoznávania reči a hlasových asistentoch a v druhej sa pozrieme na konkrétne príklady ich použitia na linuxovom desktope.

  Je potrebné rozlišovať medzi skutočnými systémami rozpoznávania reči (preklad reči do textu alebo príkazov), akými sú napríklad CMU Sphinx, Julius, ako aj aplikáciami založenými na týchto dvoch motoroch a hlasovými asistentmi, ktoré sa stali obľúbenými u vývoj smartfónov a tabletov. Ide skôr o vedľajší produkt systémov rozpoznávania reči, ich ďalší vývoj a implementáciu všetkých úspešných myšlienok rozpoznávania hlasu, ich uplatnenie v praxi. Pre linuxové desktopy je ich stále málo.

  Musíte pochopiť, že motor rozpoznávania reči a rozhranie k nemu sú dve rôzne veci. Toto je základný princíp architektúry Linuxu – rozloženie zložitého mechanizmu na jednoduchšie časti. Najťažšia práca padá na plecia motorov. Zvyčajne ide o nudný konzolový program, ktorý pre používateľa beží neviditeľne. Používateľ interaguje hlavne s programom rozhrania. Vytvorenie rozhrania nie je ťažké, takže hlavné úsilie vývojárov smeruje práve k vývoju otvorených motorov na rozpoznávanie reči.

  Čo bolo predtým

  Historicky sa všetky systémy na prácu s rečou v Linuxe vyvíjali pomaly a kŕčovito. Dôvodom nie je zakrivenie vývojárov, ale vysoká úroveň vstupu do vývojového prostredia. Napísanie systémového kódu pre prácu s hlasom si vyžaduje vysoko kvalifikovaného programátora. Preto predtým, ako sa začneme zaoberať rečovými systémami v Linuxe, je potrebné urobiť malú odbočku do histórie. V IBM bol raz taký úžasný operačný systém - OS / 2 Warp (Merlin). Vyšla už v septembri 1996. Okrem zjavných výhod oproti všetkým ostatným operačným systémom bol OS / 2 vybavený veľmi pokročilým systémom rozpoznávania reči - IBM ViaVoice. Na tú dobu to bolo veľmi cool, vzhľadom na to, že OS fungoval na systémoch so 486. procesorom s 8 MB RAM (!).

  Ako viete, OS / 2 prehral bitku so systémom Windows, ale mnohé z jeho komponentov naďalej existovali nezávisle. Jedným z týchto komponentov bol rovnaký IBM ViaVoice, ktorý sa zmenil na nezávislý produkt. Keďže IBM vždy milovalo Linux, ViaVoice bol prenesený na tento OS, vďaka čomu získal Linus Torvalds najpokročilejší systém rozpoznávania reči svojej doby.

  Bohužiaľ, osud ViaVoice nedopadol tak, ako by si používatelia Linuxu priali. Samotný engine bol distribuovaný bezplatne, no jeho zdrojový kód zostal uzavretý. V roku 2003 IBM predala práva na technológiu kanadsko-americkej spoločnosti Nuance. Spoločnosť Nuance, ktorá vyvinula azda najúspešnejší komerčný produkt na rozpoznávanie reči Dragon Naturally Speaking, je dodnes živá. V tomto sa neslávna história ViaVoice v Linuxe takmer skončila. Za krátky čas, čo bol ViaVoice zadarmo a dostupný pre používateľov Linuxu, bolo preň vyvinutých niekoľko rozhraní, ako napríklad Xvoice. Od projektu sa však už dávno upustilo a v súčasnosti je prakticky nefunkčný.

  INFO

  Najťažším článkom strojového rozpoznávania reči je prirodzený ľudský jazyk.
  

  čo dnes?

  Dnes je všetko oveľa lepšie. V posledných rokoch, po objavení zdrojov Google Voice API, sa situácia s vývojom systémov rozpoznávania reči v Linuxe výrazne zlepšila a zvýšila sa kvalita rozpoznávania. Napríklad projekt Linux Speech Recognition založený na Google Voice API vykazuje veľmi dobré výsledky pre ruský jazyk. Všetky motory fungujú takmer rovnakým spôsobom: najprv zvuk z mikrofónu zariadenia používateľa vstúpi do systému rozpoznávania, po ktorom sa hlas spracuje na lokálnom zariadení alebo sa záznam odošle na vzdialený server na ďalšie spracovanie. Druhá možnosť je vhodnejšia pre smartfóny alebo tablety. V skutočnosti takto fungujú komerčné motory – Siri, Google Now a Cortana.

  Z celej palety motorov na prácu s ľudským hlasom je v súčasnosti niekoľko aktívnych.

  POZOR

  Inštalácia mnohých opísaných systémov rozpoznávania reči nie je triviálna úloha!
  

  Sfinga CMU

  Veľká časť vývoja CMU Sfingy prebieha na Carnegie Mellon University. V rôznych časoch na projekte pracovali Massachusettský technologický inštitút aj neskoršia spoločnosť Sun Microsystems Corporation. Zdroje enginu sú distribuované pod licenciou BSD a sú dostupné pre komerčné aj nekomerčné použitie. Sphinx nie je používateľská aplikácia, ale skôr súbor nástrojov, ktoré možno použiť pri vývoji aplikácií pre koncových používateľov. Sphinx je teraz najväčší projekt rozpoznávania reči. Skladá sa z niekoľkých častí:

  • Pocketsphinx je malý, rýchly program, ktorý spracováva zvuk, akustické modely, gramatiky a slovníky;
  • knižnica Sphinxbase potrebná na fungovanie Pocketsphinx;
  • Sphinx4 - knižnica správneho rozpoznávania;
  • Sphinxtrain je program na trénovanie akustických modelov (nahrávok ľudského hlasu).

  Projekt sa pomaly, ale isto rozvíja. A hlavne – dá sa to využiť v praxi. A to nielen na PC, ale aj na mobilných zariadeniach. Motor navyše veľmi dobre spolupracuje s ruským prejavom. Ak máte rovné ruky a čistú hlavu, môžete si nastaviť rozpoznávanie ruskej reči pomocou Sphinx na ovládanie domácich spotrebičov alebo inteligentnej domácnosti. V skutočnosti môžete obyčajný byt premeniť na inteligentnú domácnosť, čo urobíme v druhej časti tejto recenzie. Implementácie Sphinx sú dostupné pre Android, iOS a dokonca aj Windows Phone. Na rozdiel od cloudovej metódy, keď práca rozpoznávania reči padá na plecia serverov Google ASR alebo Yandex SpeechKit, Sphinx funguje presnejšie, rýchlejšie a lacnejšie. A úplne lokálne. Ak chcete, môžete naučiť Sphinx model ruského jazyka a gramatiku používateľských dopytov. Áno, inštalácia si vyžiada nejakú prácu. Rovnako ako nastavenie hlasových modelov a knižníc Sphinx nie je aktivita pre začiatočníkov. Keďže jadro CMU Sphinx, knižnica Sphinx4, je napísané v jazyku Java, jej kód môžete zahrnúť do svojich aplikácií na rozpoznávanie reči. Konkrétne prípady použitia budú popísané v druhej časti našej recenzie.

  Vox Forge

  Vyzdvihnime pojem rečový korpus. Rečový korpus je štruktúrovaná množina rečových fragmentov, ktorá je vybavená softvérovými nástrojmi na prístup k jednotlivým prvkom korpusu. Inými slovami, je to súbor ľudských hlasov v rôznych jazykoch. Žiadny systém rozpoznávania reči nemôže fungovať bez rečového korpusu. Sami alebo dokonca v malom tíme je ťažké vytvoriť kvalitný otvorený rečový korpus, preto sa zbieraniu nahrávok ľudských hlasov venuje špeciálny projekt VoxForge.

  Ktokoľvek s prístupom na internet môže prispieť k vytvoreniu rečového korpusu jednoduchým zaznamenaním a odoslaním úryvku prejavu. Dá sa to urobiť aj telefonicky, ale pohodlnejšie je použiť stránku. Rečový korpus musí samozrejme okrem samotného zvukového záznamu obsahovať aj ďalšie informácie, ako napríklad fonetický prepis. Bez toho je záznam reči pre rozpoznávací systém bezvýznamný.

  
  

  HTK, Július a Šimon

  HTK - Hidden Markov Model Toolkit je súprava nástrojov na výskum a vývoj rozpoznávania reči pomocou skrytých Markovových modelov, vyvinutá na University of Cambridge pod záštitou Microsoftu (Microsoft raz kúpil tento kód od Entropic Cambridge Research Laboratory Ltd a potom ho vrátil do Cambridge s obmedzenou licenciou). Zdroje projektu sú dostupné každému, ale použitie HTK kódu v produktoch určených pre koncových užívateľov je licenciou zakázané.

  To však neznamená, že HTK je pre linuxových vývojárov nepoužiteľné: dá sa použiť ako pomocný nástroj pri vývoji otvorených (a komerčných) nástrojov na rozpoznávanie reči, ako to tvrdia vývojári otvoreného enginu Julius, ktorý sa práve vyvíja. v Japonsku robia. Julius pracuje najlepšie s japončinou. Veľký a mocný tiež nie je ukrátený, pretože rovnaký VoxForge sa používa ako hlasová databáza.

  Pokračovanie dostupné len pre členov

  Možnosť 1. Pripojte sa ku komunite „stránky“ a prečítajte si všetky materiály na stránke

  Členstvo v komunite počas určeného obdobia vám umožní prístup ku VŠETKÝM materiálom Hackerov, zvýši vašu osobnú kumulatívnu zľavu a umožní vám získať profesionálne hodnotenie Xakep Score!