README.fa

پایگاه دانش بازشناسی گفتار (از سیگنال صوتی تا متن در OpenAI Whisper)

Automatic Speech Recognition Knowledge Base

یک پایگاه دانش جامع، مستند و صفر تا صدی در قالب Obsidian که کل مسیر تبدیل امواج صوتی فیزیکی به متن خروجی در مدل OpenAI Whisper را تشریح می‌کند. این مجموعه هم به عنوان یک مرجع خودآموز دانشگاهی و صنعتی و هم به عنوان منبع محتوایی یک ارائه فنی ۲۵ دقیقه‌ای طراحی شده است.

---

🌟 ویژگی‌های کلیدی پایگاه دانش

1. پوشش عمیق و بدون پیش‌نیاز (Zero-Knowledge): آموزش از پایه‌ای‌ترین مفاهیم فیزیک صوت، انتشار موج و تبدیل آنالوگ به دیجیتال آغاز شده و تا پیشرفته‌ترین لایه‌های ترنسفورمر، ماتریس‌های خودتوجهی و الگوریتم‌های اکتشافی مهار توهم ادامه می‌یابد.

2. توازن و تقارن دو زبانه (Bilingual Parity): تمامی یادداشت‌ها، مفاهیم، نقشه‌ها و دیاگرام‌ها دارای نسخه متقارن و استاندارد در دو زبان فارسی (fa/) و انگلیسی (en/) هستند.

3. استناد به کدهای مرجع و مقالات: تمامی ادعاها، ابعاد تانسورها و فرمول‌ها مستقیماً با سورس‌کد رسمی OpenAI Whisper (whisper/audio.py و whisper/model.py) و مقاله اصلی داوری‌شده تطبیق داده شده‌اند.

4. ساختار گراف‌محور و بهینه‌شده برای ابسیدین:

   • استفاده کامل از پیوندهای دوطرفه ([[عنوان یادداشت]])
   • بردهای بصری تعاملی (Obsidian Canvas)
   • دیاگرام‌های برداری با کیفیت ۱۶۰۰×۹۰۰ (SVG و Mermaid)
   • برچسب‌ها و فرانت‌متر ساختاریافته YAML برای فیلتر و جستجوی پیشرفته

---

🗺️ خط لوله جامع تبدیل صوت به متن در ویسپر

تغییرات فشار هوا در محیط
  ↓ (میکروفون: تبدیل فشار به ولتاژ آنالوگ)
سیگنال ولتاژ پیوسته
  ↓ (نمونه‌برداری با نرخ ۱۶ کیلوهرتز و کوانتیزاسیون ۱۶ بیتی PCM)
آرایه داده‌های عددی دیجیتال
  ↓ (دیکودینگ و تبدیل به کانال تکی مونو با FFmpeg)
تکه صوتی ۳۰ ثانیه‌ای (۴۸۰,۰۰۰ نمونه)
  ↓ (پنجره‌بندی هان ۲۵ms با گام پرش ۱۰ms و تبدیل فوریه زمان‌کوتاه STFT)
ماتریس طیف توان (شامل ۲۰۱ بین فرکانسی خطی در ۳۰۰۰ فریم زمانی)
  ↓ (ضرب در ماتریس بانک فیلتر مل با ۸۰ یا ۱۲۸ کانال فرکانسی)
طیف‌نگار مل (Mel-Spectrogram)
  ↓ (فشرده‌سازی لگاریتمی توان و نرمال‌سازی در بازه ۱- تا ۱+)
تانسور لگاریتم-مل با ابعاد (80, 3000)
  ↓ (ساقه کانولوشنی ۱ بعدی ۲ لایه‌ای با Stride=2 جهت کاهش طول دنباله به نصف)
دنباله ۱۵۰۰ بردار صوتی با بعد d_model
  ↓ (افزودن کدگذاری موضعی تکه‌به‌تکه)
کدگذار ترنسفورمر صوتی (لایه‌های Pre-LN خودتوجهی چندسر)
  ↓ (تولید بردارهای پنهان آکوستیک با بافتار کامل ۳۰ ثانیه‌ای)
پل توجه متقابل (Cross-Attention)
  ↓ (ارسال اطلاعات صوتی به کدگشای متنی)
کدگشای ترنسفورمر خودبازگشتی (با ماسک علّی)
  ↓ (پیش‌بینی توکن به توکن با واژگان ۵۱,۸۶۵ تایی BPE)
توزیع احتمالات خروجی سافت‌مکس
  ↓ (رمزگشایی حریصانه یا جستجوی پرتو به همراه قواعد بازگشت دمایی)
متن نهایی رونویسی‌شده + زمان‌بندی دقیق کلمات

---

📂 ساختار پوشه‌ها و دسته‌بندی موضوعی

پوشه	محتوا و هدف
00 راهبری و نقشه راه/	صفحه اصلی، نقشه راه آموزشی گام‌به‌گام، نقشه‌های محتوا (MOCs)، واژه‌نامه تخصصی و بوم تعاملی کانواس.
10 صوت و صدای دیجیتال/	فیزیک صوت، نمونه‌برداری، کوانتیزاسیون، کدک‌ها، کانتینرها، کانال مونو و نحوه عملکرد FFmpeg.
20 ویژگی‌های زمان-فرکانس/	شهود تبدیل فوریه، پنجره هان، STFT، مقیاس مل، بانک فیلترها و فشرده‌سازی لگاریتمی.
30 معماری ویسپر/	ردگیری گام‌به‌گام ابعاد تانسورها، ساقه کانولوشنی، خودتوجهی $Q, K, V$، کدگشا و توکن‌های ویژه.
40 آموزش و رمزگشایی/	نظارت ضعیف چندزبانه، آموزش پیش‌بینی توکن بعدی، جستجوی پرتو، تنظیم دما و پردازش فایل‌های طولانی.
50 ارزیابی و محدودیت‌ها/	نرخ خطای کلمات (WER)، مقابله با توهم، جریمه تکرار، قواعد تشخیص سکوت و خطاهای متداول.
60 ارائه/	یادداشت‌های تکمیلی و جامع ارائه‌دهنده، متن اسلایدها و مسیر ارائه ۲۵ دقیقه‌ای.
70 صندوق ورودی/	تحلیل عمیق و موشکافانه پرسش‌های تخصصی و مستندسازی مبانی ریاضی.
80 منابع/	یادداشت‌های مرجع، پیوند به مقالات علمی و سورس‌کدهای اصلی.
90 دارایی‌ها/	تصاویر و دیاگرام‌های برداری SVG با وضوح بالا.
99 قالب‌ها/	الگوهای استاندارد برای ساخت یادداشت‌های اتمیک جدید در ابسیدین.

---

🌐 نسخه وب تعاملی (Quartz 4)

اگر از ابسیدین استفاده نمی‌کنید یا ترجیح می‌دهید محتوای پایگاه دانش را مستقیماً از طریق مرورگر وب مطالعه کنید، این مخزن مجهز به وب‌سایت استاتیک تعاملی مبتنی بر Quartz 4 است:

• مشاهده آنلاین: https://arsalandalvand.github.io/automatic-speech-recognition-kb/
• امکانات وب‌سایت: گراف ارتباطی تعاملی (محلی و سراسری)، جستجوی بلادرنگ در تمام متن‌ها، پیوندهای دوطرفه (Backlinks)، تایپوگرافی محلی بدون وابستگی به اینترنت (فونت‌های وزیرمتن، ساحل و JetBrains Mono)، تم تاریک/روشن و رندر دقیق فرمول‌های ریاضی لاتک.
• اجرای محلی روی سیستم شما:

  npm install
  npm run serve

  سپس آدرس http://localhost:8080 را در مرورگر خود باز کنید.

---

🚀 راهنمای شروع در ابسیدین (Obsidian)

1. نرم‌افزار رایگان Obsidian را دانلود و نصب کنید.
2. روی دکمه “Open folder as vault” کلیک کنید.
3. پوشه اصلی مخزن (یا پوشه fa/ برای فضای کار اختصاصی فارسی) را انتخاب کنید.
4. مسیرهای مطالعه پیشنهادی:
   • مرکز هدایت: fa/00 راهبری و نقشه راه/پایگاه دانش بازشناسی گفتار - صفحه اصلی.md
   • مطالعه از صفر: fa/00 راهبری و نقشه راه/نقشه راه یادگیری بازشناسی گفتار.md
   • نمای تصویری و بصری: fa/00 راهبری و نقشه راه/خط لوله ویسپر.canvas
   • ارائه فنی: fa/60 ارائه/README.md
5. برای فعال‌سازی گراف ارتباطی مفاهیم، کلیدهای Ctrl + G را در ابسیدین فشار دهید.