Hossein-Dysarthria-Net/Shenava-Koochik-Hossein
Automatic Speech Recognition • Updated • 141
AI & ML interests
None defined yet.
Recent Activity
View all activity
Organization Card
Hossein Dysarthria Net
فناوری گفتار دسترس‌پذیر برای افراد دارای اختلالات حرکتی گفتار
Hossein Dysarthria Net یک پروژهٔ پژوهشی برای توسعهٔ تشخیص گفتار فارسیِ شخصی‌سازی‌شده و ابزارهای کمک‌ارتباطی است. هدف ما کمک به افرادی مانند حسین است که دیگران در فهم گفتارشان مشکل دارند؛ از افراد دارای اختلالات حرکتی گفتار مادرزادی تا کسانی که پس از سکتهٔ مغزی یا آسیب عصبی، گفتارشان کمتر قابل‌فهم شده است.
می‌خواهیم با مشارکت خود افراد، خانواده‌ها، پژوهشگران و متخصصان گفتار و زبان، صدای هر فرد را بهتر بشناسیم و آن را به متن قابل‌خواندن تبدیل کنیم؛ برای گفت‌وگوی روزمره، ارتباط با دوستان و استفادهٔ آسان‌تر از ابزارهای دیجیتال.
دیزآرتری و مشکلات گفتار پس از سکته
دیزآرتری (Dysarthria) گروهی از اختلالات حرکتی گفتار است که در آن قدرت، هماهنگی یا کنترل حرکات لازم برای تولید گفتار آسیب می‌بیند. تنفس هنگام صحبت، تولید صدا، تلفظ، آهنگ یا سرعت گفتار ممکن است تغییر کند و فهم گفتار برای شنونده دشوار شود. دیزآرتری می‌تواند منشأ مادرزادی داشته باشد یا پس از سکته و دیگر آسیب‌ها و بیماری‌های عصبی ایجاد شود. توضیح تخصصی ASHA
آپرکسی گفتار (Apraxia of Speech) به دشواری در برنامه‌ریزی و توالی حرکات گفتاری مربوط است؛ فرد ممکن است بداند چه می‌خواهد بگوید، اما تولید پیوسته و دقیق صداها برایش دشوار باشد. این وضعیت می‌تواند پس از سکته رخ دهد و با دیزآرتری همراه شود. توضیح NIDCD
آفازی (Aphasia) اختلال زبان است و می‌تواند بیان یا فهم زبان، خواندن و نوشتن را تحت‌تأثیر قرار دهد. پس از سکته، آفازی، دیزآرتری و آپرکسی ممکن است جداگانه یا همراه یکدیگر دیده شوند؛ نیاز ارتباطی هر فرد متفاوت است. توضیح NIDCD
تمرکز فنی این پروژه بر بازشناسی گفتارِ کم‌قابل‌فهم و سازگار کردن مدل با الگوی گفتاری هر فرد است. این ابزار پژوهشی جایگزین گفتاردرمانی، ارزیابی بالینی یا روش‌های ارتباطی متناسب با نیاز فرد نیست.
رویکرد پژوهشی و نسخهٔ اولیه
- سازگارسازی با گوینده: فاین‌تیون مدل شنوا کوچک (Shenava Koochik)، بر پایهٔ FastConformer هیبریدی RNNT/CTC، با صدای حسین.
- دادگان مشارکتی: ۵۱۰ ضبط فارسی، حدود ۱٫۹۵ ساعت؛ ۴۰۸ نمونهٔ آموزش، ۵۱ اعتبارسنجی و ۵۱ تست.
- زیرنویس گفتار: رابط سادهٔ میکروفن برای نمایش متن هنگام صحبت، با مدل شخصی‌سازی‌شده.
- ارزیابی شفاف: انتشار کد، تقسیم داده‌ها، نتایج و محدودیت‌ها برای پژوهش قابل‌بازتولید.
مدل فعلی با صدای حسین آموزش دیده است و ارزیابی آن تک‌گوینده‌ای است. کارایی آن برای افراد دیگر، از جمله افراد پس از سکته، هنوز ارزیابی نشده است. متن‌های همراه صوت، جمله‌های راهنمای ضبطِ تولیدشده با ASR هستند و رونویسی انسانیِ تأییدشدهٔ گفتار حسین نیستند. جزئیات در کارت‌های دادگان و مدل آمده است.
حسین و همراهی شما
حسین در قائم‌شهر زندگی می‌کند و معلولیت حرکتی مادرزادی دارد. او خیلی وقت‌ها تنهاست؛ کار با ابزارهای هوش مصنوعی و تلفن زدن به دوستانش از سرگرمی‌های اوست. این مجموعه با مشارکت خود حسین و تلاش فراوان او برای ضبط صدا شکل گرفته است.
با کمک‌ها و دلگرمی شما، حسین انرژی می‌گیرد و می‌تواند صدای بیشتری ضبط کند. همراهی شما به او انگیزه می‌دهد تا این مسیر را ادامه دهد و به غنی‌تر شدن داده‌ها کمک کند. یک تماس دوستانه و دلگرم‌کننده هم ارزشمند است.
اگر از این منابع برای پژوهش استفاده می‌کنید و مایل هستید، می‌توانید داوطلبانه از حسین حمایت کنید. برای گفت‌وگو و اطلاع از شیوهٔ کمک، به حسین زنگ بزنید و اطلاعات را مستقیماً از خودش بگیرید:
- شمارهٔ تماس حسین: ۹۸۹۱۱۷۸۸۱۵۸۹ (
989117881589) - پیام‌رسان بله: @rayatdusthoseyn1990
حمایت کاملاً اختیاری است و شرط دسترسی به منابع نیست؛ این دعوت، مجوز استفاده از داده‌ها یا مدل را تغییر نمی‌دهد.
منابع پروژه
| منبع | پیوند |
|---|---|
| دادگان گفتار فارسی | hossein-persian-speech |
| مدل سازگارشده | Shenava-Koochik-Hossein |
| کد آماده‌سازی، آموزش و ارزیابی | persianspeech/hossein-dysarthria-asr |
| مدل پایه | Reza2kn/Shenava-Koochik-v1.5 |
دادگان، مدل سازگارشده و کد پروژه عمومی هستند و برای مشاهده و دریافت به ورود نیاز ندارند. مجوز و شرایط استفادهٔ هر منبع در مخزن همان منبع مشخص شده است؛ عمومی بودن دسترسی، به‌خودی‌خود مجوز جدیدی برای دادگان ایجاد نمی‌کند.
About
Hossein Dysarthria Net researches personalized Persian speech recognition and assistive communication for people whose speech is difficult for others to understand. Our research aims include congenital and acquired motor speech disorders, including post-stroke communication needs. The initial hybrid FastConformer RNNT/CTC model was fine-tuned on Hossein's voice; it has not been validated for other speakers or stroke survivors. The dataset, model and code are public, with provenance, evaluation and usage terms documented in their cards. Voluntary support and encouragement give Hossein energy to continue recording more speech. You can contact him directly using the details above.