Angkat telepon untuk menelepon perusahaan besar hari ini. Anda mungkin tidak akan mendengar suara manusia di ujung sana. Sebaliknya, suara sintetis menyambut Anda, meminta Anda menavigasi labirin penekanan tombol. Ini adalah sistem respons otomatis. Banyak perusahaan juga telah meningkatkan sistem ini. Sekarang, Anda sering kali hanya bisa mengucapkan kata kunci. Rekaman itu memberi tahu Anda apa yang harus Anda katakan. Anda mengatakannya. Sistem mengarahkan Anda. Teknologi di balik keajaiban ini adalah perangkat lunak pengenalan suara.
Ini bukan hanya untuk pusat panggilan. Anda dapat menggunakannya di rumah atau di kantor Anda. Beragam produk memungkinkan Anda mendiktekan teks langsung ke pengolah kata atau klien email. Suara Anda menjadi kata-kata yang diketik. Beberapa alat bahkan memungkinkan Anda mengontrol komputer dengan suara. Buka file. Klik menu. Jalankan perintah. Program-program tertentu bersifat khusus. Transkripsi medis. Dokumentasi hukum. Mereka menangani jargonnya.
Aksesibilitas adalah pendorong besar lainnya untuk teknologi ini. Penyandang disabilitas yang berhenti mengetik sangat bergantung pada sistem ini. Kehilangan fungsi tangan Anda? Tunanetra dan papan ketik Braille bukan suatu pilihan? Dikte menjembatani kesenjangan itu. Hal ini memungkinkan ekspresi pribadi melalui ucapan. Ia mengontrol tugas-tugas yang biasanya membutuhkan jari. Beberapa perangkat lunak belajar dari Anda. Ini menyimpan data ucapan Anda setelah setiap sesi. Jika kemampuan bicara Anda memburuk seiring berjalannya waktu karena kondisi yang progresif, sistem akan beradaptasi. Anda terus bekerja.
Program pengenalan suara modern umumnya terbagi dalam dua kelompok.
Зміст
Kosakata Kecil/Banyak Pengguna
Sistem ini dibangun untuk skala besar. Mereka memberi daya pada pohon telepon otomatis tersebut. Mereka menangani sejumlah besar penelepon dengan aksen dan pola bicara yang sangat berbeda. Sistem sering kali menebak dengan benar. Tapi ada kendalanya. Penggunaan dibatasi. Anda dibatasi pada perintah yang telah ditentukan sebelumnya. Opsi menu dasar. Angka. Anda tidak dapat melakukan percakapan bebas di sini. Kosa katanya sedikit. Basis penggunanya sangat besar.
Kosakata Besar/Pengguna Terbatas
Pengaturan ini berbeda. Itu dibuat untuk orang-orang tertentu di tempat tertentu. Pikirkan lingkungan bisnis. Sekelompok kecil pengguna bekerja dengan program ini. Akurasinya tinggi. Pengguna ahli mencapai 85 persen atau lebih baik. Kosa kata? Puluhan ribu kata. Tapi Anda harus melatihnya. Perangkat lunak ini mempelajari suara Anda. Ini berfungsi paling baik bagi pengguna utama tersebut. Jika orang lain mencoba menggunakannya? Akurasi merosot. Secara drastis. Sistem ini tidak dibuat untuk orang asing.
Sistem yang lebih tua, yang dibangun lebih dari satu dekade yang lalu, menghadapi pilihan antara ucapan diskrit dan kontinu. Diskrit lebih mudah. Anda mengucapkan kata-kata secara terpisah. Anda berhenti sejenak di antara masing-masingnya. Komputer menguraikannya dengan bersih. Tapi tak seorang pun mau bicara seperti itu. Itu tidak wajar. Pengguna lebih menyukai kecepatan percakapan normal. Pidato terus menerus. Hampir semua sistem modern menangani hal ini sekarang. Mereka memahami dialog yang mengalir. Mereka menyaring jeda.
Kami berbicara dengan John Garofolo, Manajer Kelompok Pidato di Laboratorium Teknologi Informasi Institut Standar dan Teknologi Nasional, untuk mendapatkan perspektif teknis. Joshua Senecal juga membantu mewujudkan hal ini.
Pidato ke Data
Dari Tekanan Udara ke Kode Biner
Mulailah dengan masukan mentah. Suara Anda hanyalah tekanan fisik yang bergerak di udara. Sebelum komputer dapat melakukan apa pun dengannya, gelombang analog tersebut harus menjadi digital. Konverter analog-ke-digital (ADC) menangani terjemahan ini. Itu tidak hanya merekam; itu mengambil sampel gelombang. Pengukuran yang tepat dilakukan pada interval yang cepat dan tetap. Hasilnya adalah data yang benar-benar dapat dikunyah oleh prosesor.
Namun data mentahnya berantakan. Kebisingan mulai masuk. Sistem memfilternya. Terkadang ia membagi suara menjadi pita frekuensi yang berbeda. Anda mendengarnya sebagai nada. Di lain waktu, ini tentang volume. Perangkat lunak ini menormalkan sinyal, menjaga level tetap konstan sehingga bisikan tidak diabaikan sementara teriakan tidak mengganggu mikrofon. Penyelarasan temporal mungkin juga diperlukan. Manusia tidak konsisten. Kita mempercepat saat bersemangat atau mengeluarkan suku kata saat lelah. Perangkat lunak ini harus meregangkan atau mengompres ucapan Anda agar sesuai dengan templat yang tersimpan di memori.
Menguraikannya menjadi Fonem
Setelah sinyalnya bersih dan selaras, sinyalnya akan terpotong-potong. Segmen kecil. Kita berbicara sepersekian detik. Terkadang hanya beberapa per seratus. Bahkan lebih cepat ketika berhadapan dengan suara konsonan plosif. Bayangkan semburan udara yang tajam pada huruf “p” atau “t”. Hal ini memerlukan ketelitian karena aliran udara berhenti dan dimulai secara tiba-tiba.
Di sinilah linguistik bertemu dengan kode. Program ini mencocokkan klip audio kecil ini dengan fonem yang dikenal. Fonem adalah satuan bunyi terkecil yang mengubah makna dalam suatu bahasa. Ini bukan surat. Itu adalah suara sebenarnya. Bahasa Inggris memiliki sekitar 40 fonem. Bahasa lain memiliki lebih banyak. Beberapa memiliki lebih sedikit. Variasi itu penting.
“Fonem adalah elemen terkecil dari suatu bahasa — representasi bunyi yang kita buat dan susun untuk membentuk ekspresi yang bermakna.”
Perangkat lunak tidak melihat huruf. Ia melihat pola suara. Ia melihat segmen mikro tersebut dan bertanya: “Fonem mana yang paling mirip dengan ini?” Ini adalah permainan yang cocok. Taruhannya adalah apakah perintah Anda dijalankan atau diabaikan.
Beralih dari gelombang suara mentah ke serangkaian karakter yang dapat dibaca adalah letak gesekan sebenarnya. Kedengarannya sepele. Tidak. Langkah ini menghabiskan sebagian besar penelitian pengenalan suara modern karena suatu alasan. Sistem tidak hanya mendengarkan satu suara saja. Ia melihat fonem—satuan bunyi terkecil—dalam konteks tetangganya. Konteks adalah segalanya. Suara yang terlihat seperti “kucing” secara terpisah mungkin menjadi “kelelawar” jika kata sebelumnya adalah “I”.
Mesin tersebut mengambil plot fonem kontekstual tersebut dan memasukkannya ke dalam model statistik yang kompleks. Ini bukan sekadar pencocokan pola. Itu kemungkinan. Sistem membandingkan data audio yang masuk dengan perpustakaan besar berisi kata, frasa, dan keseluruhan kalimat yang diketahui. Ini menghitung kombinasi mana yang paling mungkin diucapkan. Outputnya tidak selalu sempurna. Terkadang tebakannya benar. Kadang-kadang menghasilkan omong kosong. Namun seringkali, ini mengubah suara Anda menjadi teks atau memicu perintah komputer dengan akurasi yang mengejutkan.
Mekanisme di balik keajaiban
Untuk memahami mengapa ini berhasil, Anda harus melihat bagaimana perangkat lunak menangani ambiguitas. Ucapan manusia berantakan. Orang-orang bergumam. Orang-orang berhenti sejenak. Orang-orang selalu mengucapkan “um” dan “uh”. Sistem yang naif akan mogok saat mencoba menguraikannya. Model statistik berkembang pesat di dalamnya.
Prosesnya bergantung pada dua jenis probabilitas utama: pemodelan akustik dan pemodelan bahasa.
- Model akustik mencari tahu suara apa yang ada. Mereka memetakan fitur audio ke fonem.
- Model bahasa mencari tahu kata-kata yang mengikuti yang mana. Mereka menggunakan data frekuensi dari kumpulan teks besar untuk memprediksi kemungkinan kata berikutnya.
Saat Anda mengucapkan “Saya ingin makan pizza”, model akustik akan mendengar suaranya. Model bahasa memeriksa kemungkinan urutan tersebut. “Makan” lebih sering muncul setelah “ingin” daripada “benci”. Sistem menggabungkan probabilitas ini untuk membuat tebakan terbaik.
Pengenalan ucapan tidak hanya sekedar mendengar tetapi lebih banyak memprediksi berdasarkan konteks.
Mengapa konteks mengubah segalanya
Pertimbangkan kata “baca”. Dalam bentuk lampau, bunyinya seperti “merah”. Dalam bentuk sekarang, bunyinya seperti “buluh”. Tanpa konteks, sistem tidak dapat mengetahui mana yang Anda maksud. Kalau dilihat dari konteksnya, itu sepele. Jika kata sebelumnya adalah “kemarin”, maka kata tersebut menebak bentuk lampau. Jika kalimatnya adalah “Saya suka membaca”, maka kalimat tersebut menebak masa kini.
Inilah sebabnya mengapa model bahasa besar telah mengubah permainan. Sistem lama mengandalkan aturan tata bahasa yang kaku. Sistem yang lebih baru menggunakan jaringan saraf yang dilatih pada miliaran kalimat. Mereka memahami nuansa. Mereka memahami bahasa gaul. Mereka memahami bahwa “ayo makan, nenek” secara tata bahasa benar tetapi secara semantik mengerikan dibandingkan dengan “ayo makan, nenek”.
Model statistik tidak hanya melihat fonem yang ada. Itu terlihat pada sepuluh yang terakhir. Mungkin dua puluh terakhir. Jendela konteks memperluas ruang probabilitas, memungkinkan sistem untuk membedakan suara-suara yang seharusnya identik.
Masalah perpustakaan
Ukuran kosakata itu penting. Sistem pengenalan suara awal terbatas pada beberapa ribu kata. Anda bisa mengendalikan TV. Anda tidak dapat mengadakan percakapan. Sistem modern mengambil dari perpustakaan yang berisi jutaan entri. Namun ukuran bukanlah satu-satunya faktor. Kualitas perpustakaan itu penting.
Jika model belum mendengar bagaimana suatu kata tertentu diucapkan oleh kata tertentu
Pengenalan ucapan berbasis aturan mati karena bahasa manusia tidak mengikuti aturan.
Sistem awal mencoba memetakan kata-kata yang diucapkan ke struktur tata bahasa yang ketat. Jika Anda berbicara dengan jelas, dalam dialek tertentu, dan tanpa kebisingan latar belakang, ini mungkin berhasil. Tapi cobalah berbicara seperti orang Boston. Anda menjatuhkan “r” di “gudang.” Kedengarannya seperti “bawn.” Coba ucapkan “Saya akan melihat laut” tanpa berhenti sejenak untuk menarik napas. Itu menjadi “Aku akan pergi melihat lautan itu.” Kata-kata itu mengalir satu sama lain. Tidak ada jeda.
Mesin berbasis aturan terhenti karena hal ini. Mereka tidak bisa menangani pembicaraan terus menerus. Anda harus mengucapkan setiap kata secara terpisah. Itu lambat. Itu membuat frustrasi. Itu gagal.
Bagaimana pemodelan statistik mengatasi kekacauan ini
Mesin saat ini tidak bergantung pada tata bahasa yang kaku. Mereka menggunakan sistem pemodelan statistik. Mereka berurusan dengan kemungkinan. Fungsi matematika menebak hasil yang paling mungkin berdasarkan data.
Menurut John Garofolo, Manajer Grup Pidato di Laboratorium Teknologi Informasi Institut Standar dan Teknologi Nasional, ada dua model yang mendominasi bidang ini: Model Markov Tersembunyi dan jaringan saraf.
Sistem statistik ini memerlukan banyak data pelatihan yang patut dicontoh untuk mencapai kinerja optimalnya — terkadang memerlukan waktu ribuan jam ucapan yang ditranskripsikan manusia dan ratusan megabita teks.
Kedua metode tersebut mengambil data yang diketahui untuk menyimpulkan informasi tersembunyi. Mereka mempertimbangkan kemungkinan. Mereka membuat tebakan yang cerdas.
Model Markov Tersembunyi menjelaskan
Model Markov Tersembunyi adalah standar industri. Mari kita uraikan.
Dalam model ini, setiap fonem merupakan suatu penghubung. Rantai itu membentuk sebuah kata. Tapi rantainya bercabang. Sistem mencoba mencocokkan suara digital dengan fonem yang paling mungkin muncul berikutnya. Ini memberikan skor probabilitas untuk setiap opsi. Hal ini bergantung pada kamus bawaan dan data pelatihan pengguna.
Frase lebih buruk. Sistem harus menebak di mana satu kata berakhir dan kata lainnya dimulai.
Pertimbangkan “mengenali ucapan”. Katakan dengan cepat. Kedengarannya seperti “menghancurkan pantai yang indah”.
Perhatikan fonemnya:
“mengenali ucapan”
r eh k ao g n ay z s piy ch
“menghancurkan pantai yang bagus”
r eh k ay n ay s b iy ch
Perbedaannya tidak kentara. Sistem menggunakan konteks—frasa yang muncul sebelumnya—untuk melakukan panggilan. Mengapa ini penting?
Jika sebuah program memiliki kosakata 60.000 kata, kalimat tiga kata memiliki 216 triliun kemungkinan kombinasi.
Tidak ada komputer yang dapat melakukan pencarian secepat itu tanpa bantuan.
Biaya akurasi: Data pelatihan
Bantuannya berasal dari data. Jumlahnya sangat besar.
Garofolo mencatat bahwa membuat model akustik dan daftar kata memerlukan ribuan jam transkripsi ucapan. Anda memerlukan ratusan megabyte teks. Ada seni dalam memilih dan mengumpulkan data ini. Bagaimana Anda mempersiapkan data pelatihan untuk “pencernaan” itu penting. Cara Anda “menyesuaikan” model sistem dengan aplikasi tertentu akan membedakan antara sistem yang berperforma baik dan sistem yang berperforma buruk.
Bahkan dengan algoritma dasar yang sama, implementasinya sangat bervariasi.
Pengembang membangun kosakata awal. Namun Anda, sebagai pengguna, harus melatih sistemnya juga. Dalam lingkungan bisnis, pengguna utama mungkin hanya menghabiskan 10 menit untuk berbicara melalui mikrofon. Ini mengajarkan mesin pola bicara spesifik mereka. Anda juga mengajarkannya akronim. Anda mengajarkannya istilah khusus perusahaan.
Perangkat lunak medis dan hukum sering kali dilengkapi dengan jargon industri. Mereka sudah siap untuk konteks itu.
Namun meski dengan semua data ini, sistemnya masih rusak.
Pengenalan Ucapan: Kelemahan dan Kekurangan
Jujur saja: tidak ada sistem pengenalan suara yang sempurna. Teknologinya memang semakin baik, tetapi masih rawan kesalahan. Beberapa dari masalah ini merupakan hal yang melekat pada teknologi terkini dan diharapkan akan hilang seiring dengan peningkatan algoritma. Yang lain? Anda bisa memperbaikinya. Ini hanya membutuhkan sedikit usaha dari Anda.
Masalah Kebisingan
Perangkat lunak ucapan perlu mendengarkan Anda. Jelas sekali. Jika suara Anda terganggu oleh kebisingan latar belakang, keakuratannya menurun. Ini bukan hanya tentang seseorang yang berbicara keras di sebelah Anda. Ini juga tentang perangkat keras yang memasukkan sinyal ke komputer Anda.
Kartu suara yang murah sering kali tidak memiliki pelindung yang memadai. Mereka menangkap dengungan dan desisan listrik dari komponen lain di dalam casing PC Anda. Statis itu direkam. Perangkat lunak menganggapnya sebagai bagian dari kalimat Anda.
Untuk mendapatkan hasil yang baik, kerjakanlah di ruangan yang tenang. Gunakan mikrofon yang berkualitas. Dekatkan ke mulut Anda.
Kedengarannya sederhana. Namun kebanyakan orang mengabaikannya hingga dikte mereka berubah menjadi omong kosong.
Pidato yang Tumpang Tindih adalah Mimpi Buruk
Jika Anda mencoba menggunakan pengenalan suara dalam rapat di mana orang-orang saling menyela, Anda akan mengalami kesulitan. Sistem yang ada saat ini mengalami kesulitan untuk memisahkan suara-suara secara bersamaan.
“Jika Anda mencoba menggunakan teknologi pengenalan dalam percakapan atau rapat di mana orang-orang sering menyela atau membicarakan satu sama lain, kemungkinan besar Anda akan mendapatkan hasil yang sangat buruk,” kata John Garofolo.
Ini bukan hanya tentang volume. Ini tentang perpisahan. Perangkat lunak ini tidak dapat dengan mudah memilih satu suara dari campuran obrolan yang kacau. Simpan untuk pekerjaan solo. Bukan diskusi kelompok.
Ini Memakan CPU Anda
Menjalankan model statistik di balik pengenalan suara merupakan pekerjaan yang berat. Prosesor harus bekerja lembur. Mengapa? Ia perlu melacak setiap tahap pencarian pengenalan kata. Jika sistem membuat kesalahan, sistem harus mundur. Itu membutuhkan memori. Itu membutuhkan waktu.
Bahkan komputer pribadi tercepat saat ini dapat tersedak oleh perintah yang rumit. Waktu respons melambat secara signifikan. Dan kosakatanya? Mereka memakan ruang hard drive.
Kabar baiknya? Kecepatan penyimpanan dan prosesor meningkat pesat. Dalam sepuluh tahun, kita akan melihat peningkatan eksponensial pada kedua faktor tersebut. Kemacetan perangkat keras bersifat sementara. Logika perangkat lunak adalah masalah yang lebih sulit.
Homonim : Bunyi Sama, Beda Arti
Homonim adalah kata-kata yang bunyinya sama tetapi mempunyai ejaan dan arti yang berbeda. “Di sana” vs. “mereka”. “Udara” vs. “pewaris.” “Jadilah” vs. “lebah”.
Perangkat lunak pengenalan ucapan tidak dapat mendengar perbedaannya. Suara saja tidak membawa ejaannya.
Namun, konteks membantu. Pelatihan model statistik yang ekstensif memungkinkan sistem menebak kata yang tepat berdasarkan apa yang terjadi sebelum dan sesudahnya. Ini tidak sempurna, tapi jauh lebih baik dari sebelumnya.
Jalan Menuju Penerjemah Universal
Impian untuk berbicara dengan mesin dalam bahasa apa pun sudah ada sejak lama dari yang Anda bayangkan. Alexander Graham Bell bereksperimen dengan ini bahkan sebelum komputer modern ada. Istrinya tuli. Dia ingin membuat alat yang mengubah kata-kata yang dapat didengar menjadi gambar yang terlihat dan dapat ditafsirkan olehnya. Dia membuat gambar spektrografi. Dia tidak bisa membacanya. Penelitian itu akhirnya mengarah pada telepon.
Selama beberapa dekade, fiksi ilmiah adalah satu-satunya tempat di mana pengenalan ucapan yang sebenarnya berkembang pesat. Kekuatan komputasinya tidak ada. Baru pada tahun 1990-an komputer tingkat konsumen dapat menangani beban tersebut.
Sekarang? Kami sedang mencari sesuatu yang lebih mirip dengan Star Trek.
Badan Proyek Penelitian Lanjutan Pertahanan (DARPA) mendanai dua inisiatif besar. Pertama, Eksploitasi Bahasa Otonomi Global (GALE). Sistem ini menyerap aliran siaran berita dan surat kabar asing. Ini menerjemahkannya. Tujuannya adalah terjemahan instan antara dua bahasa dengan akurasi minimal 90 persen.
Kedua, TRANSTAK. Hal ini membantu tentara berkomunikasi dengan penduduk sipil di negara-negara yang tidak berbahasa Inggris. Garofolo mencatat bahwa teknologi ini tidak diragukan lagi akan diterapkan pada aplikasi sipil. Penerjemah universal untuk semua orang.
Mengapa Begitu Sulit?
Penerjemah universal masih jauh dari harapan. Menggabungkan terjemahan otomatis dengan aktivasi suara sangatlah sulit. Sebuah artikel CNN baru-baru ini menggambarkan proyek GALE sebagai “DARPA yang sulit”. Artinya, hal ini sulit bahkan menurut standar ekstrem DARPA.
Mengapa? Variabelnya tidak terbatas.
- Bahasa gaul berubah dengan cepat.
- Dialek berbeda-beda di setiap wilayah.
- Aksen berbeda menurut pembicara.
- Kebisingan latar belakang mengganggu.
Lalu ada tata bahasa. Bahasa Arab terkadang menggunakan satu kata untuk menyampaikan gagasan yang memerlukan seluruh kalimat dalam bahasa Inggris. Memetakan satu struktur ke struktur lainnya tanpa kehilangan makna adalah mimpi buruk komputasi.
Dari Pengakuan ke Pemahaman
Saat ini kita berada pada tahap di mana komputer mengenali kata-kata. Segera, mereka mungkin akan memahaminya. Model statistik yang menentukan apa yang diucapkan pada akhirnya dapat memahami makna di balik kata-kata tersebut.
Ini merupakan lompatan besar dalam kekuatan komputasi. Itu membutuhkan perangkat lunak yang canggih. Namun beberapa peneliti berpendapat bahwa pengembangan pengenalan suara menawarkan jalur paling langsung dari komputer saat ini menuju kecerdasan buatan yang sebenarnya.
Kami berbicara dengan komputer kami sekarang. Dalam 25 tahun, mereka mungkin akan membalasnya.
Bencana Demo Vista
Masa depan teoretis ini tidak akan berarti jika masa kini tidak berhasil. Ingat demo pengenalan suara Windows Vista? Itu adalah bencana hubungan masyarakat.
Selama presentasi, sistem menangani pembukaan program dan mengakses dokumen dengan sempurna. Saat mencoba menyalin teks, gagal. Dengan buruk.
Kemungkinan pelakunya? Tempatnya. Auditorium besar dengan penonton. Kebisingan latar belakang. Gema. Mikrofon menangkap semuanya kecuali sinyal yang jelas dari presenter.
Videonya tersebar di internet. Itu merusak reputasi Windows Vista. Hal ini merusak reputasi pengenalan suara secara umum. Hal ini menjadi pengingat yang keras: bahkan raksasa teknologi terbesar pun bisa tersandung jika lingkungan tidak dikendalikan.
Kami akan terus mengawasi ruangnya. Teknologinya semakin membaik. Namun kesenjangan antara “dapat digunakan” dan “sempurna” masih lebar.
Melampaui Kata Kunci
Kami telah menelusuri jalur dari gelombang analog kasar ke jaringan saraf kompleks yang berjalan di bawah asisten suara saat ini. Namun ceritanya tidak berakhir dengan rapi. Hal ini meluas ke jaringan laboratorium penelitian, preseden sejarah, dan kendala teknis yang belum pernah dilihat oleh sebagian besar pengguna.
Jika Anda mencari mekanisme di balik keajaiban, ilmu yang mendasarinya bukanlah tentang “mendengarkan” dan lebih banyak tentang pengenalan pola. Perangkat lunak pengenalan ucapan modern tidak mendengar kata-kata. Ia mendengar kemungkinan. Ini memecah suara Anda menjadi fragmen spektral kecil dan bertanya: Urutan fonem apa yang paling masuk akal di sini?
Infrastruktur Tersembunyi
Anda tidak perlu mempelajari kodenya untuk memahami mengapa smart speaker Anda terkadang melewatkan satu kata pun. Hal ini sering kali bergantung pada kualitas dan konteks data.
- Pembatalan kebisingan adalah filter pertama. Ini menghilangkan dengungan latar belakang sehingga mesin dapat fokus pada saluran vokal.
- Pemrosesan bahasa alami (NLP) menangani tata bahasa. Ini mengubah “Setel alarm untuk tujuh” menjadi perintah terstruktur.
- Identifikasi pembicara mencoba mencari tahu siapa yang berbicara. Hal ini penting untuk respons yang dipersonalisasi, namun masih jauh dari sempurna.
Pusat Penelitian Dialog Lisan Universitas Colorado telah menghabiskan waktu puluhan tahun untuk memetakan interaksi ini. Pekerjaan mereka menyoroti sebuah wawasan penting: manusia sangat pemaaf. Kita mengabaikan kesalahan lidah. Kami menebak dari konteks. Mesin belum ada. Mereka masih tersedak oleh ambiguitas.
Mengapa Ini Penting Sekarang
Inisiatif Penelitian pidato-ke-ucapan DARPA yang dimulai pada pertengahan tahun 2000-an menjadi landasan bagi alat penerjemahan real-time saat ini. Tujuannya selalu jelas: menghilangkan bahasa sebagai penghalang. Tantangan DARPA bulan November 2006 bukan sekedar kompetisi. Itu adalah bukti konsep. Hal ini menunjukkan bahwa terjemahan ucapan dapat berfungsi di lingkungan terbatas.
Saat ini, teknologi tersebut tertanam dalam segala hal mulai dari bot layanan pelanggan hingga layanan teks langsung. Namun kesenjangan antara “fungsional” dan “lancar” masih lebar.
Warisan Kesalahan
Raymond Kurzweil menanyakan pertanyaan yang tepat pada tahun 1998: Kapan HAL akan memahami apa yang kami katakan? Jawabannya bukan hanya tentang mikrofon yang lebih baik. Ini tentang kesadaran kontekstual.
Metode statistik untuk pengenalan suara dari Frederick Jelinek meletakkan dasar matematika. Ia berargumentasi bahwa pembicaraan adalah masalah komunikasi, bukan sekedar masalah akustik. Hal ini mengubah industri dari sistem berbasis aturan ke model probabilistik. Pergeseran itulah yang menyebabkan ponsel Anda dapat menangani aksen yang tidak pernah dilatih secara eksplisit.
Kemana Kita Pergi Dari Sini?
Institut Standar dan Teknologi Nasional terus mendorong tolok ukur. Mereka menguji bagaimana sistem menangani ruangan yang penuh sesak, koneksi yang buruk, dan dialog yang cepat. Hasilnya membaik, namun perlahan.
Divisi teknologi bicara Microsoft berfokus pada integrasi perusahaan. Mereka kurang tertarik dengan lampu rumah pintar Anda dan lebih tertarik pada bagaimana dokter dapat mendiktekan catatan tanpa melanggar privasi pasien. Di sinilah letak uang sebenarnya. Dan di mana masalah privasi sebenarnya berada.
Mesin tidak mengetahui apa yang Anda katakan. Ia hanya mengetahui apa yang menurutnya mungkin Anda katakan.
Perbedaan ini sangat penting. Ketika AI salah menebak, itu bukan halusinasi dalam arti sastra
