Multimodal interfaces based on speech recognition

Cilj diplomskog rada je prikazati multimodalno sučelje temeljeno na govoru. U prvom dijelu diplomskog rada govori se o multimodalnoj interakciji općenito, njezinoj primjeni, modalitetima, te prvom multimodalnom sustavu. Drugi dio rada odnosi se na multimodalno govorno sučelje i njegovu povijest. Treći dio govori o primjeni multimodalnog sučelja u svakodnevnom životu. Četvrti dio je praktični dio u kojem je razvijena web aplikacija „Photo Editor“. U aplikaciji se primjenjuje tehnologija prepoznavanja govora. Također, provedeno je istraživanje o upotrebljivosti aplikacije pomoću SUS (eng. System Usability Scale) upitnika implementiranog na Google Disku. Dobiveni rezultati govore da aplikacija, po mišljenju korisnika, zadovoljava većinu tvrdnji iz SUS upitnika, te da je aplikacija kao takva dobro dizajnirana.The aim of the thesis is to present a multimodal speech-based interface. The first part of the diploma paper deals with multimodal interaction in general, its application, modalities, and the first multimodal system. The second part deals with the multimodal voice interface and its history. The third part deals with the application of multimodal interfaces in everyday life. The fourth part is a practical part of the web application "Photo Editor". The application uses speech recognition technology. Also, a research on the usability of the application with the SUS (System Usability Scale) questionnaire implemented on Google Drive was conducted. The results show that the application, in the opinion of users, meets most of the SUS questionnaires' claims, and that the application as such is well designed