SFSpeechRecognizer — এটি কী, API এবং iOS-এ ইন্টিগ্রেশন

SFSpeechRecognizer কী: বৈশিষ্ট্যের ওভারভিউ

SFSpeechRecognizer হলো Speech.framework-এর একটি ক্লাস যা একটি নির্দিষ্ট ভাষার জন্য স্পিচ রিকগনাইজার উপস্থাপন করে। এটি Locale (ru_RU, en_US, zh_CN)-এর মাধ্যমে আরম্ভ করা হয়। SFSpeechRecognizer একটি রিকগনিশন অনুরোধ (SFSpeechRecognitionRequest) পরিচালনা করে এবং ট্রান্সক্রিপশন ও মেটাডেটা-সহ ফলাফল (SFSpeechRecognitionResult) ফেরত দেয়। এটি দুই ধরনের অনুরোধ সমর্থন করে: SFSpeechAudioBufferRecognitionRequest (লাইভ অডিও স্ট্রিম) এবং SFSpeechURLRecognitionRequest (অডিও ফাইল)। উভয়ই SFTranscription ফেরত দেয় — বিকল্প রিকগনিশন হাইপোথিসিসের একটি অ্যারে।

SFSpeechRecognitionResult-এ রয়েছে: bestTranscription (সেরা হাইপোথিসিস, SFTranscription), transcriptions (সকল বিকল্প), isFinal (চূড়ান্ত/মধ্যবর্তী)। SFTranscription-এ রয়েছে: formattedString (টেক্সট), segments (টাইমস্ট্যাম্প, কনফিডেন্স, substringRange, alternativeSubstrings-সহ SFTranscriptionSegment-এর অ্যারে)। প্রতিটি সেগমেন্টের জন্য কনফিডেন্স (0..1) — অবিশ্বস্ত অংশ ফিল্টার করার অনুমতি দেয়। সেগমেন্টগুলি Speech.framework-এর একটি মূল বৈশিষ্ট্য: এগুলি কনফিডেন্স স্কোর-সহ প্রতি-শব্দ মার্কআপ প্রদান করে।

SFSpeechRecognizer আর্কিটেকচার: AVFoundation (অডিও ক্যাপচার) → Audio Buffer → SFSpeechAudioBufferRecognitionRequest → SFSpeechRecognizer (ASR ইঞ্জিন) → SFSpeechRecognitionResult → SFSpeechRecognitionTask (নিয়ন্ত্রণ: cancel, finish, pause)। Apple-এর ASR ইঞ্জিন একটি হাইব্রিড আর্কিটেকচার ব্যবহার করে: অন-ডিভাইসের জন্য Conformer (এনকোডার) + RNNT (ডিকোডার), ক্লাউডের জন্য Transducer। মডেলগুলি Apple Neural Engine (ANE)-এর জন্য অপ্টিমাইজ করা। A17 Pro-তে, অন-ডিভাইস ASR RTF 0.3–0.6 (রিয়েল টাইমের চেয়ে দ্রুত)-এ চলে।

অডিও প্রয়োজনীয়তা: SFSpeechRecognizer LPCM (16 kHz, 16 bit, mono) বা Opus (iOS 17+) গ্রহণ করে। AVFoundation যেকোনো ফরম্যাটের বাফার ক্যাপচার করতে পারে, অনুরোধ স্বয়ংক্রিয়ভাবে রূপান্তর করে। ন্যূনতম দৈর্ঘ্য: 0.5 সেকেন্ড (নীরবতা শনাক্তকরণ)। সর্বোচ্চ: 1 মিনিট (ক্লাউড) / 2 মিনিট (অন-ডিভাইস) প্রতি অনুরোধ। দীর্ঘ ট্রান্সক্রিপশনের জন্য, 2–5 সেকেন্ড ওভারল্যাপ-সহ 30–60 সেকেন্ডের খণ্ডে অডিও বিভক্ত করুন।

SFSpeechRecognizer সেটআপ এবং অনুমতি

ব্যবহারকারীর অনুমতি: SFSpeechRecognizer-এর দুটি স্পষ্ট অনুমতি প্রয়োজন। NSMicrophoneUsageDescription (Privacy — Microphone Usage Description) — মাইক্রোফোন অ্যাক্সেসের জন্য। NSSpeechRecognitionUsageDescription (Privacy — Speech Recognition Usage Description) — স্পিচ রিকগনিশন অ্যাক্সেসের জন্য। উভয়ই ব্যবহারকারীকে কারণ ব্যাখ্যা করে স্ট্রিং। SFSpeechRecognizer.requestAuthorization — অনুমতি ডায়ালগ প্রদর্শন করে। অবস্থা: notDetermined, denied, restricted, authorized। authorized অবস্থা ছাড়া, recognizer কল করলে ত্রুটি 216 (Speech framework error) ফেরত আসে।

উপলব্ধতা পরীক্ষা: SFSpeechRecognizer.isAvailable — বর্তমান ভাষার জন্য ASR উপলব্ধ কিনা তা পরীক্ষা করে। iOS 16-তে, isAvailable = false ইন্টারনেট ছাড়া। iOS 17+-এ, isAvailable = true অন-ডিভাইস ভাষার জন্য অফলাইনেও। SFSpeechRecognizer.supportedLocales — ডিভাইস দ্বারা সমর্থিত ভাষার তালিকা পাওয়ার জন্য একটি স্ট্যাটিক মেথড। প্রতিটি লঞ্চের আগে isAvailable পরীক্ষা করার পরামর্শ দেওয়া হয় (ব্যবহারকারী সেটিংসে Siri/ডিক্টেশন নিষ্ক্রিয় করতে পারে)। উপলব্ধতা অঞ্চলের উপর নির্ভর করে: চীনা — শুধুমাত্র চীনে, আরবি — UAE-তে।

// SFSpeechRecognizer সেটআপ
import Speech

SFSpeechRecognizer.requestAuthorization { status in
    guard status == .authorized else { return }
}

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru_RU"))!
guard recognizer.isAvailable else {
    print("ASR উপলব্ধ নয়। সেটিংসে Siri এবং ডিক্টেশন সক্ষম করুন")
    return
}

let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true

ত্রুটি ব্যবস্থাপনা: SFSpeechRecognizer একটি completion handler-সহ কল করা হয় যা Error ফেরত দিতে পারে। প্রধান ত্রুটিগুলি: 203 — কোনো ইন্টারনেট নেই (ক্লাউড, iOS 16-); 216 — অনুমোদিত নয় (কোনো অনুমতি নেই); 301 — অডিও ত্রুটি (মাইক্রোফোন/ফরম্যাট সমস্যা); 401 — পরিষেবা অনুপলব্ধ (পরিষেবা ওভারলোড); 601 — ভাষা অনুপলব্ধ (ডিভাইসে ভাষা সমর্থিত নয়)। অন-ডিভাইস iOS 17+-এর জন্য, প্রধান ত্রুটিগুলি: 301 (অডিও), 601 (ভাষা)। সর্বদা completion handler পরিচালনা করুন — রেকর্ডিংয়ের সময় যেকোনো মুহূর্তে ত্রুটি ঘটতে পারে।

মাইক্রোফোন থেকে লাইভ স্পিচ রিকগনিশন

লাইভ ASR পাইপলাইন: AVAudioEngine (মাইক্রোফোন ক্যাপচার) → installTap (অডিও বাফার) → request.append(buffer) → SFSpeechRecognizer → recognitionTask → delegate/resultHandler। AVAudioEngine কম লেটেন্সি (মাইক থেকে বাফারে 5–10 ms) প্রদান করে। SFSpeechRecognitionDelegate: didHypothesizeTranscription (প্রতি 200–500 ms — আংশিক টেক্সট), didFinishRecognition (চূড়ান্ত ফলাফল)। Task.isFinishing — রিকগনিশন সম্পূর্ণ হলে বাতিল করতে পারেন। ধারাবাহিক রিকগনিশনের (অন্তহীন ডিক্টেশন) জন্য, isFinal-এর পরে একটি নতুন টাস্ক তৈরি করুন।

SFSpeechRecognitionTaskDelegate: ঐচ্ছিক মেথড। speechRecognitionDidDetectSpeech (বক্তব্য শুরু) — UI ইঙ্গিতের জন্য। didHypothesizeTranscription (মধ্যবর্তী টেক্সট) — বলার সময় প্রদর্শনের জন্য। didFinishRecognition (চূড়ান্ত ফলাফল) — টেক্সট চূড়ান্ত করার জন্য। didFinishSuccessfully (সফলতা/ত্রুটি) — সমাপ্তির জন্য। didProcessAudio (অডিও বাফার প্রক্রিয়াকৃত) — RMS মিটারের জন্য। didHypothesizeTranscription বাস্তবায়নের পরামর্শ দেওয়া হয় — ব্যবহারকারী বিলম্ব ছাড়াই সাথে সাথে টেক্সট দেখতে পায়। চূড়ান্ত ট্রান্সক্রিপশন সংরক্ষণের জন্য।

// লাইভ স্পিচ রিকগনিশন
let audioEngine = AVAudioEngine()
let request = SFSpeechAudioBufferRecognitionRequest()
request.shouldReportPartialResults = true

recognitionTask = recognizer.recognitionTask(with: request) { result, error in
    if let result = result {
        textView.text = result.bestTranscription.formattedString
    }
    if error != nil || result?.isFinal == true {
        audioEngine.stop()
        request.endAudio()
    }
}

let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024,
                     format: recordingFormat) { buffer, _ in
    request.append(buffer)
}
audioEngine.prepare()
try audioEngine.start()

ধারাবাহিক রিকগনিশন: “সর্বদা শোনা” মোডের (ভয়েস ইনপুট, সহায়ক) জন্য, isFinal-এর পরে টাস্ক পুনরায় শুরু করা প্রয়োজন। একটি লুপ তৈরি করুন: finishTask → request = SFSpeechAudioBufferRecognitionRequest() → recognitionTask = recognizer.recognitionTask(with: request)। ফাঁক এড়াতে, একটি টাস্কের শেষকে পরবর্তীটির শুরুর সাথে ওভারল্যাপ করুন (পূর্ববর্তীটি শেষ হওয়ার 1–2 সেকেন্ড আগে একটি নতুন অনুরোধ শুরু করুন)। AVFoundation AVAudioSession — একসঙ্গে প্লেব্যাক এবং রেকর্ডিংয়ের জন্য .playAndRecord কনফিগার করুন। iOS 17+-এ, অন-ডিভাইস-সহ ধারাবাহিক ASR প্রতি ঘন্টায় 2–5% ব্যাটারি খরচ করে (A15+).

অডিও ফাইল এবং রেকর্ডিং রিকগনিশন

SFSpeechURLRecognitionRequest — URL-এর মাধ্যমে অডিও ফাইল শনাক্ত করার জন্য একটি অনুরোধ। ফরম্যাট সমর্থন করে: .wav (16 kHz, 16 bit, mono), .m4a (AAC), .mp4, .mov। সর্বোচ্চ দৈর্ঘ্য: ~1 মিনিট ক্লাউডের জন্য, ~2 মিনিট অন-ডিভাইসের জন্য। দীর্ঘ ফাইলের জন্য, খণ্ডে বিভক্ত করুন (AVAssetExportSession + trim)। SFSpeechURLRecognitionRequest স্ট্রিমিং সমর্থন করে না (কোনো আংশিক ফলাফল নেই) — শুধুমাত্র চূড়ান্ত ফলাফল। ফাইলের সাথে আংশিক ফলাফলের জন্য, Audio Buffer Request-এ রূপান্তর করুন।

অডিও ফাইল ট্রান্সক্রিপশন পাওয়া: SFSpeechRecognizer.recognitionTask(with: request) resultHandler। bestTranscription.formattedString বের করুন। শব্দ-স্তরের টাইমস্ট্যাম্পের জন্য — bestTranscription.segments থেকে segments (segment.duration, segment.timestamp, segment.substring)। প্রতি সেগমেন্ট কনফিডেন্স — প্রতিটি শব্দের জন্য ASR কনফিডেন্স (ফিল্টারিংয়ের জন্য ব্যবহার করুন)। বিকল্প হাইপোথিসিস — কম কনফিডেন্সের শব্দের জন্য transcriptionFormatter বিকল্প। একাধিক বক্তার ফাইলের জন্য, SFSpeechRecognitionRequest একাধিক অনুরোধ ফেরত দিতে পারে (প্রতি বক্তায় একটি, iOS 17+).

// অডিও ফাইল ট্রান্সক্রিপশন
let audioURL = Bundle.main.url(forResource: "recording", withExtension: "m4a")!
let request = SFSpeechURLRecognitionRequest(url: audioURL)
request.requiresOnDeviceRecognition = true

recognizer.recognitionTask(with: request) { result, error in
    guard let result = result, error == nil else {
        print("ত্রুটি: \(error?.localizedDescription ?? "unknown")")
        return
    }

    let transcription = result.bestTranscription
    let text = transcription.formattedString
    let words = transcription.segments.map { segment in
        Word(text: segment.substring,
              start: segment.timestamp,
              duration: segment.duration,
              confidence: segment.confidence)
    }
}

দীর্ঘ অডিও ফাইল বিভক্ত করা: 1 মিনিটের বেশি ফাইলের জন্য, 2–3 সেকেন্ড ওভারল্যাপ (সেলাই)-সহ 30–60 সেকেন্ডের খণ্ডে বিভক্ত করুন। AVAssetExportSession + CMTimeRange — খণ্ড রপ্তানি করুন। বিকল্প: UISelectionView (ব্যবহারকারী একটি খণ্ড নির্বাচন করে)। ট্রান্সক্রিপশন সেলাই: টেক্সট একত্রিত করুন, ওভারল্যাপ দ্বারা সেলাই করুন (পূর্ববর্তী খণ্ডের শেষ 2–3 শব্দের সাথে পরবর্তী খণ্ডের প্রথম 2–3 শব্দের তুলনা করুন — ডুপ্লিকেট সরান)। Vosk এবং Whisper দীর্ঘ অডিও নেটিভভাবে সমর্থন করে, SFSpeechRecognizer সমর্থন করে না। দীর্ঘ ট্রান্সক্রিপশনের জন্য, আমি Whisper (Core ML) সুপারিশ করছি — কোনো দৈর্ঘ্য সীমা নেই।

অন-ডিভাইস বনাম ক্লাউড: মোড তুলনা

অন-ডিভাইস মোড (iOS 17+): request.requiresOnDeviceRecognition = true। ASR Apple Neural Engine (ANE)-তে স্থানীয়ভাবে চলে। সুবিধা: ইন্টারনেটের প্রয়োজন নেই, গোপনীয়তা (অডিও ডিভাইস ছেড়ে যায় না), শূন্য খরচ (বিনামূল্যে), কম লেটেন্সি (RTF 0.3–0.6)। অসুবিধা: কম নির্ভুলতা (WER 12–14% বনাম 7–12%), প্রতি অনুরোধে 2 মিনিটের সীমা, সীমিত ভাষা সেট (সকল 60 ভাষা অন-ডিভাইসে উপলব্ধ নয়)। অন-ডিভাইস মডেল ডিভাইসে ~50–100 MB জায়গা নেয় এবং প্রথম অনুরোধে ডাউনলোড হয়।

ক্লাউড (iOS 16-): request.requiresOnDeviceRecognition = false (বা প্যারামিটার অনুপস্থিত)। Apple সার্ভারে ASR — আরও নির্ভুল (WER 7% EN, 12% RU), আরও ভাষা, প্রতি অনুরোধে 1 মিনিট পর্যন্ত। ইন্টারনেট (WiFi বা সেলুলার) প্রয়োজন। Apple ডেভেলপারদের কাছ থেকে ক্লাউড ASR-এর জন্য চার্জ নেয় না (বিনামূল্যে)। সীমা: প্রতি অ্যাপ্লিকেশনে প্রতি মিনিটে 1 অনুরোধ (অনির্দিষ্ট), কিন্তু Apple উৎপাদন স্কেলে সীমিত করতে পারে। ক্লাউড ASR SLA ছাড়াই সর্বোত্তম-প্রচেষ্টা গুণমান প্রদান করে। এন্টারপ্রাইজ অ্যাপের জন্য, Google Cloud ASR বা Whisper (Core ML) ব্যবহার করুন।

সম্মিলিত রিকগনিশন (iOS 17+): request.requiresOnDeviceRecognition = false ইন্টারনেট থাকলে (ক্লাউড), = true অফলাইনে (ফলব্যাক)। Apple স্বয়ংক্রিয়ভাবে মোড নির্বাচন করে। নির্ভুলতা-গুরুত্বপূর্ণ অ্যাপের জন্য: NetworkMonitor (NWPathMonitor) পরীক্ষা করুন — ইন্টারনেট থাকলে ক্লাউড, না থাকলে অন-ডিভাইস ব্যবহার করুন। গোপনীয়তা-গুরুত্বপূর্ণ অ্যাপের জন্য: সর্বদা অন-ডিভাইস। ট্রান্সক্রিপশনের জন্য: ক্লাউড (আরও নির্ভুল)। ভয়েস ইনপুটের জন্য: অন-ডিভাইস (দ্রুত)। সম্মিলিত সুপারিশ করা হয়: 80% ক্লাউড, 20% অন-ডিভাইস ফলব্যাক।

iOS অ্যাপে SFSpeechRecognizer-এর ব্যবহার

কাস্টম কিবোর্ডে ভয়েস ইনপুট — SFSpeechRecognizer কিবোর্ড এক্সটেনশনে (iOS 10+) একীভূত। ব্যবহারকারী মাইক্রোফোন বাটন টিপে, ASR বক্তব্যকে টেক্সটে ট্রান্সক্রাইব করে এবং টেক্সট ফিল্ডে সন্নিবেশ করে। প্রয়োজনীয়তা: আংশিক ফলাফল (রিয়েল টাইমে টেক্সট দেখা), অন-ডিভাইস (কিবোর্ডকে ইন্টারনেট ছাড়া কাজ করতে হবে)। SFSpeechRecognizer + AVSpeechSynthesizer — ভয়েস ইনপুট + ভয়েস আউটপুট। iOS 17+-এ কাস্টম কিবোর্ডের জন্য, অন-ডিভাইস ব্যবহার করুন। কিবোর্ড এক্সটেনশনের সীমাবদ্ধতা: AVAudioEngine উপলব্ধ কিন্তু সময়ের সীমাবদ্ধতা-সহ (ব্যাকগ্রাউন্ড এক্সিকিউশন সীমিত)।

মিটিং এবং লেকচার ট্রান্সক্রিপশন — অডিও রেকর্ড এবং ট্রান্সক্রাইব করার অ্যাপ (Otter.ai, Rev, Apple Voice Memos)। SFSpeechURLRecognitionRequest .m4a ফাইল প্রক্রিয়া করে। দীর্ঘ রেকর্ডিংয়ের (30–60 মিনিট) জন্য — Whisper Core ML (কোনো দৈর্ঘ্য সীমা নেই)। টাইমস্ট্যাম্প-সহ SFSpeechRecognizer segments — অডিওর সাথে টেক্সট সিঙ্ক করার জন্য (প্লেব্যাকের সময় টেক্সট হাইলাইটিং)। প্রতি সেগমেন্ট কনফিডেন্স — অবিশ্বস্ত অংশ প্রদর্শনের জন্য (হলুদ হাইলাইট)। স্পিকার ডায়ারাইজেশনের (কে কথা বলেছে) জন্য — Apple API প্রদান করে না, সার্ভারে pyannote-audio + Whisper ব্যবহার করুন।

iOS অ্যাপে ভয়েস কমান্ড — SFSpeechRecognizer + VGS ফ্রেমওয়ার্ক (Voice Grammar Services) কমান্ড কার্যকর করার জন্য: “সেটিংস খুলুন”, “বার্তা পাঠান”, “লাইট চালু করুন”। ব্যাকরণ-ভিত্তিক রিকগনিশন: SFSpeechRecognitionRequest contextualStrings = কমান্ডের অ্যারে। এটি কমান্ড রিকগনিশন নির্ভুলতা 95% পর্যন্ত উন্নত করে (বনাম 85% মুক্ত-রূপ)। SFSpeechRecognitionTask.cancel — কমান্ড কার্যকর করার পরে বাধা দেওয়ার জন্য। VGS + SFSpeechRecognizer + Shortcuts — UI না লিখে কাস্টম ভয়েস কমান্ড। অ্যাক্সেসযোগ্যতার জন্য: Voice Control (অন্তর্নির্মিত) + SFSpeechRecognizer (কাস্টম কমান্ড)।

// প্রাসঙ্গিক স্ট্রিং-সহ ভয়েস কমান্ড
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true
request.shouldReportPartialResults = true
request.contextualStrings = ["open contacts", "send message",
                             "show notifications", "লাইট চালু করুন"]

recognitionTask = recognizer.recognitionTask(with: request) { result, _ in
    guard let text = result?.bestTranscription.formattedString.lowercased() else { return }
    voiceCommands.first { text.contains($0) }.map { command in
        DispatchQueue.main.async { self.executeCommand(command) }
        recognitionTask?.cancel()
    }
}

চিকিৎসা এবং আইনি অ্যাপে ডিক্টেশন — SFSpeechRecognizer ভয়েসের মাধ্যমে কাঠামোবদ্ধ ডকুমেন্ট তৈরি করার জন্য। ডোমেন অভিযোজন: চিকিৎসা/আইনি শর্তাবলী-সহ contextualStrings (500+ বাক্যাংশ)। SFSpeechRecognitionRequest.customLmProbability — contextualStrings-এর প্রভাব (0.1–1.0)। চিকিৎসা ডিক্টেশনের জন্য, অন-ডিভাইস ব্যবহার করুন (রোগীর ডেটা গোপনীয়তা)। চিকিৎসা ডেটায় ফাইন-টিউন করা Whisper — বেস SFSpeechRecognizer-এর 12% এর পরিবর্তে WER 5%-সহ বিকল্প। HIPAA সম্মতি: অন-ডিভাইস মোড (ডেটা ডিভাইস ছেড়ে যায় না)। অ্যাপয়েন্টমেন্ট ট্রান্সক্রিপশনের জন্য — SFSpeechURLRecognitionRequest + স্পিকার টাইমস্ট্যাম্প-সহ segments।