Enhancing Accessibility Through AI: Design and Functionality of a Windows Voice Assistant
Notice bibliographique
Résumé
Voice-based virtual assistants have come into view as essential tools for enhancing human-computer interaction and accessibility. This paper presents "Boom," a Windows-based voice-controlled virtual assistant designed to perform tasks such as playing music, retrieving weather updates, setting alarms, and summarizing news. Developed using Python libraries, including speech recognition, pyttsx3, and Beautiful Soup, "Boom" efficiently processes natural language commands, enabling seamless user interaction. The modular, lightweight, and scalable architecture of the assistant ensures adaptability for diverse user groups, particularly individuals with visual impairments. By eliminating the need for manual or visual input, "Boom" fosters independence and inclusivity, offering a hands-free interface to simplify daily activities. The development process involved requirement gathering, data analysis, system design, and deployment. Results demonstrate the assistant's effectiveness in executing voice commands with high accuracy and responsiveness. Future enhancements will support advanced Natural Language Processing (NLP) to improve command understanding and context sensitivity, while integration with braille devices and real-time object recognition will further expand accessibility. "Boom" isn't just a virtual assistant—it’s like having a helpful, friendly companion who makes technology easier for everyone. Whether it's opening apps, playing music, setting reminders, or answering questions, Boom empowers users to do more with less effort. It’s thoughtfully designed to promote independence, break tech barriers, and bring smart, intuitive help to everyday life for all users.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».