Podnieś telefon już dziś, aby zadzwonić do dużej korporacji. Jest prawdopodobne, że nie usłyszysz osoby po drugiej stronie linii. Zamiast tego wita Cię syntetyczny głos, prosząc o poruszanie się po labiryncie naciśnięć przycisków. Jest to automatyczny system reagowania. Wiele firm również unowocześniło te systemy. Teraz często możesz po prostu powiedzieć słowa kluczowe. Nagranie powie Ci, co masz powiedzieć. Wymawiasz. System Cię przekieruje. Technologia stojąca za tą magią to oprogramowanie do rozpoznawania mowy.
Nie dotyczy to tylko call center. Możesz go używać w domu lub w biurze. Szeroka gama produktów umożliwia dyktowanie tekstu bezpośrednio w edytorach tekstu lub klientach pocztowych. Twój głos zamienia się w pisane słowa. Niektóre narzędzia umożliwiają nawet sterowanie komputerem za pomocą głosu. Otwórz pliki. Naciśnij menu. Wykonaj polecenia. Istnieją programy skierowane do wąskich nisz. Transkrypcja medyczna. Dokumentacja prawna. Posługują się żargonem zawodowym.
Przystępność cenowa to kolejny ważny czynnik wpływający na rozwój tej technologii. Osoby niepełnosprawne, które nie potrafią pisać, w dużym stopniu polegają na tych systemach. Straciłeś władzę w rękach? Czy jesteś osobą niedowidzącą i nie potrafisz korzystać z klawiatury brajlowskiej? Dyktowanie pokonuje tę barierę. Pozwala wyrazić siebie poprzez mowę. Zarządza zadaniami, które normalnie wymagałyby użycia palców. Niektóre programy są prowadzone przez Ciebie. Zapisują dane dotyczące mowy po każdej sesji. Jeśli z biegiem czasu Twoja mowa pogarsza się z powodu postępującej choroby, system się dostosowuje. Kontynuujesz pracę.
Nowoczesne programy do rozpoznawania mowy można ogólnie podzielić na dwie kategorie.
Зміст
Mały słownik / Wielu użytkowników
Systemy te są budowane z myślą o skali. Zapewniają one działanie tych zautomatyzowanych menu telefonu. Obsługują ogromną liczbę połączeń od osób o różnych akcentach i wzorach mowy. System w większości przypadków zgaduje poprawnie. Ale jest niuans. Użycie jest ograniczone. Jesteś ograniczony do predefiniowanych poleceń. Podstawowe opcje menu. Według liczb. Tu nie ma swobodnej rozmowy. Słownictwo jest małe. Baza użytkowników jest ogromna.
Duże słownictwo / Ograniczona liczba użytkowników
To ustawienie jest inne. Jest tworzony dla konkretnych ludzi, w konkretnych miejscach. Pomyśl o środowisku biznesowym. Z programem współpracuje niewielka grupa użytkowników. Dokładność jest wysoka. Doświadczeni użytkownicy osiągają dokładność na poziomie 85 procent lub więcej. Słownictwo? Dziesiątki tysięcy słów. Ale musisz ją trenować. Oprogramowanie bada Twój głos. Działa najlepiej w przypadku tych głównych użytkowników. A co jeśli ktoś inny spróbuje z niego skorzystać? Dokładność gwałtownie spada. Znacznie. System nie jest przeznaczony dla obcych osób.
Starsze systemy, których historia sięga ponad dziesięciu lat, stanęły przed wyborem między mową dyskretną a mową ciągłą. Dyskretna mowa jest łatwiejsza. Wymawiasz słowa osobno. Robisz pauzę pomiędzy każdym słowem. Komputer przetwarza to czysto. Ale nikt nie chce tego powiedzieć. To nienaturalne. Użytkownicy wolą normalne tempo konwersacji. Ciągła mowa. Prawie wszystkie nowoczesne systemy sobie z tym radzą. Rozumieją przebieg dialogu. Filtrują przerwy.
Rozmawialiśmy z Johnem Garofolo, kierownikiem grupy rozpoznawania mowy w Laboratorium Technologii Informacyjnych Narodowego Instytutu Standardów i Technologii, aby poznać techniczne spojrzenie. Joshua Senecal również pomógł w opracowaniu tego materiału.
Od mowy do danych
Od ciśnienia powietrza do kodu binarnego
Zacznij od surowych danych wejściowych. Twój głos to po prostu fizyczne ciśnienie rozprzestrzeniające się w powietrzu. Zanim komputer będzie mógł z nim cokolwiek zrobić, fala analogowa musi stać się cyfrowa. Konwersja ta odbywa się za pomocą przetwornika analogowo-cyfrowego (ADC). Nie tylko rejestruje sygnał, ale także go próbkuje. Dokładne pomiary dokonywane są w szybkich, stałych odstępach czasu. W rezultacie powstają dane, które procesor może faktycznie przetworzyć.
Jednak surowe dane nie są ustrukturyzowane. Wnika w nie hałas. System to filtruje. Czasami dźwięk jest podzielony na różne zakresy częstotliwości. Postrzegamy to jako smołę. Innym razem chodzi o głośność. Oprogramowanie normalizuje sygnał, utrzymując jego stały poziom, dzięki czemu szepty nie są ignorowane, a krzyki nie przeciążają mikrofonu. Może być również wymagana synchronizacja czasu. Ludzie są niespójni. Przyspieszamy, gdy jesteśmy podekscytowani, lub rozciągamy sylaby, gdy jesteśmy zmęczeni. Oprogramowanie musi rozciągnąć lub skompresować mowę, aby dopasować ją do wzorców zapisanych w pamięci.
Podział na fonemy
Gdy sygnał jest czysty i wyrównany w czasie, jest on cięty na kawałki. Malutkie segmenty. Mówimy o ułamkach sekund. Czasem tylko kilka setnych. Jeszcze szybciej podczas pracy z spółgłoskami wybuchowymi. Wyobraź sobie gwałtowne wypuszczenie powietrza w dźwiękach „p” lub „t”. Wymagają precyzji, ponieważ przepływ powietrza jest przerywany i nagle wznawiany.
W tym miejscu lingwistyka spotyka się z kodem. Program dopasowuje te maleńkie klipy audio do znanych fonemów. Fonem to minimalna jednostka dźwięku, która zmienia znaczenie słowa w języku. To nie jest list. To sam dźwięk. W języku angielskim istnieje około 40 fonemów. Jest ich więcej w innych językach. W niektórych – mniej. Te różnice mają znaczenie.
„Fonem to minimalny element języka — reprezentacja dźwięków, które tworzymy i które łączymy, tworząc znaczące wyrażenia”.
Oprogramowanie nie widzi liter. Widzi wzory dźwięków. Analizuje te mikrosegmenty i zadaje pytanie: „Do jakiego znanego fonemu jest on najbardziej podobny?” To gra polegająca na dopasowywaniu, w której stawka jest wysoka – od tego, czy Twoje polecenie zostanie wykonane, czy zignorowane.
Główny opór pojawia się przy przejściu od surowych fal dźwiękowych do czytelnego ciągu znaków. To wydaje się banalne. W rzeczywistości nie jest to prawdą. Na tym etapie przeprowadza się większość współczesnych badań nad rozpoznawaniem mowy i nie bez powodu. System nie słucha tylko jednego, izolowanego dźwięku. Przygląda się fonemom – najmniejszym jednostkom dźwiękowym – w kontekście ich sąsiadów. Kontekst jest wszystkim. Dźwięk, który osobno brzmi jak „kot”, może brzmieć „nietoperz”, jeśli poprzednie słowo brzmiało „I”.
Silnik pobiera ten kontekstowy wykres fonemów i wprowadza go do złożonego modelu statystycznego. To nie jest tylko dopasowanie wzorca. To jest prawdopodobieństwo. System porównuje przychodzące dane audio z ogromną biblioteką znanych słów, fraz i całych zdań. Oblicza, która kombinacja będzie najprawdopodobniej wypowiedziana. Wynik nie zawsze jest doskonały. Czasami system zgaduje poprawnie. Czasem produkuje bzdury. Ale najczęściej konwertuje Twój głos na tekst lub wykonuje polecenia komputerowe z niesamowitą dokładnością.
Mechanika magii
Aby zrozumieć, dlaczego to działa, należy przyjrzeć się, jak oprogramowanie radzi sobie z niejednoznacznością. Mowa ludzka jest chaotyczna. Ludzie mamroczą. Ludzie zatrzymują się. Ludzie cały czas mówią „um” i „eh”. Naiwny system uległby awarii, próbując sobie z tym poradzić. Model statystyczny świetnie się na tym opiera.
Proces opiera się na dwóch głównych typach prawdopodobieństwa: modelowaniu akustycznym i modelowaniu językowym.
- Modele akustyczne określają, jakie dźwięki są obecne. Dopasowują sygnały dźwiękowe do fonemów.
- Modele językowe określają, które słowa następują po których. Wykorzystują dane o częstotliwości z ogromnych korpusów tekstowych, aby przewidzieć kolejne najbardziej prawdopodobne słowo.
Kiedy powiesz „Chcę zjeść pizzę”, model akustyczny usłyszy dźwięki. Model językowy sprawdza prawdopodobieństwo tej sekwencji. Słowo „jeść” częściej pojawia się po „chcieć” niż „nienawidzić”. System łączy te prawdopodobieństwa, aby dokonać najlepszego przypuszczenia.
Rozpoznawanie mowy w mniejszym stopniu opiera się na słyszeniu, a bardziej na przewidywaniu opartym na kontekście.
Dlaczego kontekst zmienia wszystko
Rozważmy słowo „czytaj” (czytaj/czytaj). W czasie przeszłym brzmi jak „czerwony”. W czasie teraźniejszym brzmi jak „trzcina”. Bez kontekstu system nie będzie wiedział, jakie znaczenie miałeś na myśli. Biorąc pod uwagę kontekst, jest to trywialne. Jeśli poprzednie słowo brzmiało „wczoraj”, przyjmuje ono czas przeszły. Jeśli zdanie brzmi „Lubię czytać”, przyjmuje czas teraźniejszy.
Właśnie dlatego duże modele językowe zmieniły zasady gry. Stare systemy opierały się na sztywnych regułach gramatycznych. Nowe systemy korzystają z sieci neuronowych uczonych na miliardach zdań. Rozumieją niuanse. Rozumieją slang. Rozumieją, że „zjedzmy babcię” (zjedzmy babcię) jest poprawne gramatycznie, ale semantycznie okropne w porównaniu z „jedzmy, babciu” (zjedzmy, babciu).
Model statystyczny uwzględnia więcej niż tylko bieżący fonem. Patrzy na ostatnią dziesiątkę. Może przez ostatnie dwadzieścia. Okno kontekstowe rozszerza przestrzeń prawdopodobieństwa, umożliwiając systemowi ujednoznacznienie dźwięków, które w innym przypadku byłyby identyczne.
Problem z biblioteką
Rozmiar słownika ma znaczenie. Wczesne systemy rozpoznawania mowy ograniczały się do kilku tysięcy słów. Mógłbyś sterować telewizorem. Nie mogłeś kontynuować rozmowy. Nowoczesne systemy opierają się na bibliotekach zawierających miliony rekordów. Ale rozmiar nie jest jedynym czynnikiem. Jakość biblioteki jest ważna.
Jeśli model nie słyszał konkretnego słowa wymawianego przez konkretnego
Systemy rozpoznawania mowy oparte na regułach należą już do przeszłości, ponieważ ludzki język nie podlega ścisłym regułom.
Wczesne systemy próbowały dopasować wypowiadane słowa do ścisłych struktur gramatycznych. Jeśli wyraźnie wymówiłeś słowa, użyłeś określonego dialektu i nie było hałasu w tle, system mógłby działać. Ale spróbuj mówić jak Bostończyk. Upuszczasz „r” w „stodole”. To brzmi jak „bawn”. Spróbuj powiedzieć „zobaczę ocean” bez przerwy na oddech. To zamienia się w „Idę zobaczyć ocean”. Słowa łączą się ze sobą. Nie ma żadnych przerw.
Silniki oparte na regułach nie mogły sobie z tym poradzić. Nie byli w stanie przetwarzać ciągłej mowy. Musiałem wyraźnie wymawiać każde słowo z osobna. To było powolne. To było denerwujące. Prowadziło to do błędów.
Jak modelowanie statystyczne naprawia chaos
Nowoczesne systemy nie opierają się na sztywnej gramatyce. Używają systemów modelowania statystycznego. Działają z prawdopodobieństwem. Funkcje matematyczne przewidują najbardziej prawdopodobny wynik na podstawie danych.
Według Johna Garofolo, lidera grupy rozpoznawania mowy w Laboratorium Technologii Informatycznych Narodowego Instytutu Standardów i Technologii (NIST), w tej dziedzinie dominują dwa modele: ukryty model Markowa i sieci neuronowe.
Te systemy statystyczne wymagają ogromnych ilości referencyjnych danych szkoleniowych, aby osiągnąć optymalną wydajność — czasami tysiące godzin transkrypcji ludzkiej mowy i setki megabajtów tekstu.
Obie metody wykorzystują znane dane do wnioskowania o ukrytych informacjach. Ważą prawdopodobieństwa. Dokonują świadomych domysłów.
Wyjaśnienie ukrytego modelu Markowa
Ukryty Model Markowa jest standardem branżowym. Rozbijmy to.
W tym modelu każdy fonem jest ogniwem. Łańcuch tworzy słowo. Ale gałęzie łańcucha. System próbuje dopasować dźwięk cyfrowy do fonemu, który najprawdopodobniej nastąpi. Każdej opcji przypisuje poziom prawdopodobieństwa. Opiera się to na wbudowanym słowniku i danych szkoleniowych użytkowników.
W przypadku fraz sytuacja jest jeszcze gorsza. System musi odgadnąć, gdzie kończy się jedno słowo, a zaczyna drugie.
Weźmy wyrażenie „rozpoznawać mowę”. Powiedz to szybko. Brzmi jak „zniszczyć ładną plażę”.
Spójrz na fonemy:
„rozpoznaj mowę”
„r eh k ao g n ay z s p iy ch”.
„zniszcz ładną plażę”
„r eh k ay n ay s b iy ch”.
Różnica jest subtelna. System wykorzystuje kontekst – wyrażenie, które pojawiło się wcześniej – aby podjąć decyzję. Dlaczego to jest ważne?
Jeśli słownik programu zawiera 60 000 słów, wówczas zdanie składające się z trzech słów ma 216 bilionów możliwych kombinacji.
Żaden komputer nie byłby w stanie przeprowadzić takiego wyszukiwania tak szybko bez pomocy.
Cena dokładności: dane treningowe
Ta pomoc pochodzi z danych. Ogromna ich liczba.
Garofolo zauważa, że tworzenie modeli akustycznych i list słów wymaga tysięcy godzin transkrybowanej mowy. Potrzebujesz setek megabajtów tekstu. Wybór i kompilacja takich danych jest sztuką. Sposób przygotowania danych treningowych do trawienia ma znaczenie. To, w jaki sposób „dostosowuje się” modele systemów do konkretnego zastosowania, czyni różnicę między systemem, który działa dobrze, a systemem, który działa słabo.
Nawet przy użyciu tego samego podstawowego algorytmu implementacje mogą się znacznie różnić.
Programiści tworzą początkowy słownik. Ale Ty, użytkownik, musisz także przeszkolić system. W środowisku biznesowym użytkownicy głównego nurtu mogą spędzić zaledwie 10 minut na mówieniu do mikrofonu. To uczy silnik specyficznych wzorców mowy. Uczysz go także skrótów. Uczysz go terminów specyficznych dla danej firmy.
Oprogramowanie medyczne i prawne często jest dostarczane z fabrycznie załadowaną terminologią branżową. Są już dostosowani do tego kontekstu.
Ale nawet przy tych wszystkich danych systemy nadal zawodzą.
Rozpoznawanie mowy: słabe strony i niedociągnięcia
Bądźmy szczerzy: żaden system rozpoznawania mowy nie jest doskonały. Technologia jest oczywiście coraz lepsza, ale nadal jest podatna na błędy. Niektóre z tych problemów są nieodłącznie związane z obecnym stanem technologii i miejmy nadzieję, że znikną w miarę udoskonalania algorytmów. Inny? Można je naprawić. Będzie to wymagało jedynie pewnego wysiłku z Twojej strony.
Problem z hałasem
Oprogramowanie do rozpoznawania mowy musi Cię usłyszeć. Wyraźnie. Jeśli Twój głos jest zmieszany z hałasem w tle, dokładność drastycznie spada. Nie chodzi tylko o to, że ktoś obok ciebie głośno mówi. Ważny jest także sprzęt przesyłający sygnał do komputera.
Tanie karty dźwiękowe często nie mają odpowiedniej ochrony przed zakłóceniami. Wychwytują elektryczne buczenie i syczenie z innych elementów wewnątrz obudowy komputera. Ten szum statyczny jest rejestrowany. Program uzna to za część Twojej frazy.
Aby uzyskać dobre rezultaty, pracuj w cichym pomieszczeniu. Użyj wysokiej jakości mikrofonu. Trzymaj go blisko ust.
Brzmi prosto. Ale większość ludzi ignoruje te wskazówki, dopóki ich dyktando nie zamieni się w nonsens.
Dubbingowanie głosów to koszmar
Jeśli spróbujesz użyć rozpoznawania mowy na spotkaniu, na którym ludzie sobie przeszkadzają, będziesz miał poważne problemy. Nowoczesne systemy mają duże trudności w rozdzielaniu jednoczesnych głosów.
„Jeśli spróbujesz zastosować technologię rozpoznawania podczas rozmów lub spotkań, podczas których ludzie często sobie przerywają lub rozmawiają w tym samym czasie, prawdopodobnie uzyskasz bardzo słabe wyniki” – mówi John Garofolo.
Nie chodzi tylko o głośność dźwięku. Chodzi o separację. Programowi trudno jest wyróżnić jeden głos z chaotycznej mieszaniny rozmów. Używaj tej technologii do pracy indywidualnej, a nie do dyskusji grupowych.
Zżera procesor
Uruchomienie modeli statystycznych leżących u podstaw rozpoznawania mowy jest trudnym zadaniem. Procesor musi pracować na pełnych obrotach. Dlaczego? Musi śledzić każdy etap poszukiwania rozpoznanego słowa. Jeśli system popełni błąd, musi wrócić. To wymaga pamięci. To wymaga czasu.
Nawet najszybsze nowoczesne komputery osobiste mogą się zadławić podczas przetwarzania złożonych poleceń. Czas reakcji jest znacznie wolniejszy. A co ze słownikami? Zajmują miejsce na dysku twardym.
Dobra wiadomość jest taka, że prędkość pamięci masowej i procesora szybko rośnie. Za dziesięć lat będziemy świadkami wykładniczego wzrostu obu wskaźników. Ograniczenia sprzętowe są tymczasowe. Logika programu jest problemem bardziej złożonym.
Homofony: ten sam dźwięk, inne znaczenie
Homofony to słowa, które brzmią podobnie, ale mają inną pisownię i znaczenie. „Tam” kontra „ich”. „Powietrze” (powietrze) kontra „dziedzic” (dziedzic). „Być” (być) kontra „pszczoła” (pszczoła).
Oprogramowanie do rozpoznawania mowy nie może ich rozróżnić. Sam dźwięk nie niesie informacji o pisowni.
Jednak kontekst pomaga. Dzięki starannemu szkoleniu modeli statystycznych system może odgadnąć właściwe słowo na podstawie tego, co zostało powiedziane przed nim i po nim. Nie jest idealnie, ale jest znacznie lepiej niż wcześniej.
Droga do uniwersalnego tłumacza
Marzenie o mówieniu do maszyny w dowolnym języku sięga głębiej, niż mogłoby się wydawać. Alexander Graham Bell eksperymentował z tym przed pojawieniem się nowoczesnych komputerów. Jego żona była głucha. Chciał stworzyć urządzenie, które zamieniłoby słyszalne słowa w widzialne obrazy, które mogłaby zinterpretować. Tworzył obrazy spektrograficzne. Nie potrafiła ich przeczytać. Badania te ostatecznie doprowadziły do wynalezienia telefonu.
Przez dziesięciolecia science fiction było jedynym miejscem, w którym kwitło prawdziwe rozpoznawanie mowy. Po prostu nie było wystarczającej mocy obliczeniowej. Dopiero w latach 90. komputery konsumenckie były w stanie poradzić sobie z tym obciążeniem.
Teraz? Patrzymy na coś bliższego Star Trek.
Agencja Zaawansowanych Projektów Badawczych w dziedzinie Obronności (DARPA) finansuje dwie główne inicjatywy. Pierwszym z nich jest Globalna Eksploatacja Języka Autonomicznego (GALE). System ten pochłania strumienie zagranicznych audycji informacyjnych i gazet. Tłumaczy je. Celem jest natychmiastowe tłumaczenie między dwoma językami z dokładnością co najmniej 90%.
Drugi to TRANSTAC. Pomaga żołnierzom komunikować się z ludnością cywilną w krajach, w których mówi się językami innymi niż angielski. Garofolo zauważa, że technologia ta z pewnością znajdzie zastosowanie na obszarach cywilnych. Uniwersalny tłumacz dla każdego.
Dlaczego to takie trudne?
Do uniwersalnego tłumacza jeszcze daleka droga. Połączenie automatycznego tłumaczenia ze sterowaniem głosowym jest niezwykle trudne. Niedawny artykuł CNN określił projekt GALE jako „twardy dla DARPA” według standardów DARPA. Oznacza to, że jest to skomplikowane nawet jak na ekstremalne standardy DARPA.
Dlaczego? Istnieje nieskończona liczba zmiennych.
- Slang zmienia się szybko.
- Dialekty różnią się w zależności od regionu.
- Akcenty różnią się w zależności od mówcy.
- Hałas w tle jest niepokojący.
Potem jest gramatyka. Arabski czasami używa pojedynczych słów, aby przekazać pomysły, które wymagałyby całych zdań w języku angielskim. Mapowanie jednej struktury na drugą bez utraty znaczenia jest obliczeniowym koszmarem.
Od uznania do zrozumienia
Jesteśmy teraz na etapie, w którym komputery rozpoznają słowa. Wkrótce być może zaczną je rozumieć. Modele statystyczne, które określają, co zostało powiedziane, mogą ostatecznie uchwycić znaczenie słów.
To ogromny skok w mocy obliczeniowej. Wymaga to skomplikowanego oprogramowania. Niektórzy badacze twierdzą jednak, że rozwój rozpoznawania mowy oferuje najbardziej bezpośrednią drogę od nowoczesnych komputerów do prawdziwej sztucznej inteligencji.
Teraz rozmawiamy z naszymi komputerami. Za 25 lat mogą się do nas odezwać.
Katastrofa demo Visty
Cała ta teoretyczna przyszłość nie ma znaczenia, jeśli teraźniejszość nie działa. Pamiętasz demonstrację rozpoznawania mowy w systemie Windows Vista? To była porażka public relations.
Podczas prezentacji system doskonale poradził sobie z uruchamianiem programów i dostępem do dokumentów. Gdy próbowała rozpoznać tekst, nie udało jej się. Awaria.
Prawdopodobna przyczyna? Lokal. Duża sala z publicznością. Hałas w tle. Echo. Mikrofon wychwycił wszystko poza wyraźnym sygnałem z głośnika.
Film stał się wirusowy w Internecie. To zaszkodziło reputacji systemu Windows Vista. To ogólnie zaszkodziło reputacji rozpoznawania mowy. Było to wyraźne przypomnienie, że nawet najwięksi giganci technologiczni mogą się potknąć, jeśli środowisko nie będzie kontrolowane.
Będziemy nadal monitorować ten obszar. Technologia się poprawia. Jednak różnica między „użytecznym” a „idealnym” jest nadal duża.
Poza modnymi hasłami
Prześledziliśmy drogę od prymitywnych fal analogowych do złożonych sieci neuronowych, które zasilają współczesnych asystentów głosowych. Ale historia nie kończy się na schludnym ukłonie. Wnika głęboko w sieć laboratoriów badawczych, precedensy historyczne i przeszkody techniczne, których większość użytkowników nigdy nie widzi.
Jeśli szukasz mechaniki stojącej za tą magią, podstawowa nauka w mniejszym stopniu skupia się na „słuchaniu”, a bardziej na rozpoznawaniu wzorców. Nowoczesne oprogramowanie do rozpoznawania mowy nie słyszy słów. Słyszy prawdopodobieństwo. Rozbija Twój głos na drobne fragmenty widmowe i zadaje pytanie: Która sekwencja fonemów ma tutaj największy sens?
Ukryta infrastruktura
Nie musisz zagłębiać się w kod, aby dowiedzieć się, dlaczego Twój inteligentny głośnik czasami pomija słowo. Często sprowadza się to do jakości danych i kontekstu.
- Redukcja szumów to pierwszy filtr. Eliminuje szum tła, dzięki czemu silnik może skupić się na traktie głosowym.
- Przetwarzanie języka naturalnego (NLP) zarządza gramatyką. Zamienia frazę „Ustaw alarm na siódmą” w ustrukturyzowane polecenie.
- Identyfikacja mówiącego próbuje ustalić, kto mówi. Jest to ważne w przypadku spersonalizowanych odpowiedzi, ale dalekie jest od doskonałości.
Centrum Badań nad Dialogiem Mówionym Uniwersytetu Kolorado bada te interakcje od dziesięcioleci. Ich praca podkreśla kluczowe odkrycie: ludzie są niesamowicie wyrozumiali. Ignorujemy rezerwacje. Domyślamy się na podstawie kontekstu. Maszyny nie osiągnęły jeszcze tego poziomu. Wciąż potykają się z powodu niejasności.
Dlaczego to ma teraz znaczenie
Inicjatywy badawcze DARPA dotyczące mowy na mowę podjęte w połowie 2000 roku przygotowały grunt pod nowoczesne narzędzia do tłumaczenia w czasie rzeczywistym. Cel zawsze był jasny: wyeliminować język jako barierę. Wyzwanie DARPA z listopada 2006 r. było czymś więcej niż tylko konkursem. To był dowód koncepcji. Pokazało, że tłumaczenie mowy może działać w ograniczonych warunkach.
Obecnie technologia ta jest wbudowana we wszystko, od botów pomocy technicznej po usługi tworzenia napisów na żywo. Jednak różnica między „funkcjonalnością” a „płynnością” pozostaje duża.
Dziedzictwo błędów
Raymond Kurzweil zadał właściwe pytanie w 1998 roku: Kiedy HAL zrozumie, co mówimy? Odpowiedzią nie są tylko lepsze mikrofony. Chodzi o świadomość kontekstową.
Statystyczne metody rozpoznawania mowy Fredericka Jenelka położyły podwaliny matematyczne. Twierdził, że mowa jest problemem komunikacyjnym, a nie tylko akustycznym. Spowodowało to przesunięcie uwagi branży z systemów opartych na regułach na modele probabilistyczne. To właśnie ta zmiana pozwala Twojemu telefonowi zrozumieć akcent, do obsługi którego nigdy nie był specjalnie przeszkolony.
Dokąd stąd pójdziemy?
NIST w dalszym ciągu wyznacza standardy. Testują, jak systemy radzą sobie z zatłoczonymi pomieszczeniami, słabymi połączeniami i szybkim dialogiem. Wyniki poprawiają się, ale powoli.
Dział Speech Technologies firmy Microsoft koncentruje się na integracji przedsiębiorstw. Mniej interesują ich inteligentne oświetlenie domu, a bardziej to, w jaki sposób lekarz może dyktować notatki bez naruszania prywatności pacjenta. To tu leżą prawdziwe pieniądze. I tu właśnie leżą prawdziwe problemy związane z prywatnością.
Maszyna nie wie, co powiedziałeś. Ona wie tylko to, co według niej możesz powiedzieć.
To rozróżnienie jest niezwykle ważne. Kiedy sztuczna inteligencja źle zgaduje, nie jest to halucynacja w sensie literackim
