Digitālais lūpu lasītājs

Runas atpazīšana ir sen solīta tehnoloģija, kas beidzot sāk darboties. Taču mūsdienu labākajām sistēmām ir tendence neizdoties, ja skaļrunis atrodas trokšņainā vietā. Lai atrisinātu šo problēmu, pētnieki maisījumam pievieno nolasīšanu no lūpām.

Lai gan cilvēki visu laiku paļaujas uz mutes formām, lai interpretētu runu, lasīšana no lūpām nav vienkāršs uzdevums datoram. Pirmkārt, katra forma var atbilst vairākām konkrētām skaņām. Lai padarītu situāciju vēl ļaunāku, mutes kustības sākas pat 120 milisekundes pirms skaņas izrunāšanas. Cilvēki var izmantot citas norādes, piemēram, teikuma kontekstu un sejas izteiksmes, lai pārvarētu šīs grūtības, taču vēl nesen datoriem trūka apstrādes jaudas, lai to izdarītu.

Šis stāsts bija daļa no mūsu 2003. gada septembra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Tagad Intel, IBM un citu institūciju grupas pārveido valodas apstrādes programmas, lai saistītu katru balss skaņu ar vairākām iespējamām mutes kustībām, ļaujot programmatūrai veikt vislabāko minējumu par izrunāto. Testos trokšņainā vidē vizuālās informācijas pievienošana palielināja runas atpazīšanas precizitāti no 20 procentiem līdz 75 procentiem, saka Ara Nefians, Intel Research vecākais pētnieks Santaklārā, Kalifornijā.

Sākotnēji tas, visticamāk, būs visnoderīgākais ārstiem un citiem, kas strādā trokšņainās vietās un kuriem nepieciešama lielāka biroja diktēšanas programmatūras precizitāte. Paturot prātā šo auditoriju, IBM iebūvētajā mikrofonā, kas tiek piegādāts ar esošo runas atpazīšanas programmatūru, iebūvē nelielu kameru. Tālāk pētnieki iztēlojas dienu, kad jūsu automašīnas informācijas panelī varētu būt kamera, kas skatīsies uz jūsu lūpām, lai meklētu ar balsi iedarbināmas vadības ierīces, vai jūsu mobilais tālrunis varētu vērot jūsu teikto.

paslēpties