211service.com
Kur notiek runas atpazīšana
Vēl nesen doma par sarunu ar datoru šķita tīra zinātniskā fantastika. Ja lūdzāt datoram atvērt podziņu nodalījuma durvis, tas bija tikai filmās.
Bet lietas mainās un ātri. Arvien vairāk cilvēku tagad runā ar saviem mobilajiem viedtālruņiem, lūdzot sūtīt e-pastu un īsziņas, meklēt norādes vai atrast informāciju tīmeklī.
Mēs esam pārejas punktā, kur balss un dabiskās valodas izpratne pēkšņi ir priekšplānā, saka Vlads Sejnoha, galvenais tehnoloģiju vadītājs uzņēmumā Nuance Communications, kas atrodas Burlingtonā, Masačūsetsā un kurš dominē runas atpazīšanas tirgū ar savu programmatūru Dragon. un citi produkti. Es domāju, ka runas atpazīšana patiešām mainīs pašreizējo [datora] saskarni.
Progress ir panākts, daļēji pateicoties vienmērīgajam progresam tehnoloģijās, kas nepieciešamas, lai palīdzētu mašīnām saprast cilvēka runu, tostarp mašīnmācības un statistikas datu ieguves metodes. Izsmalcināta balss tehnoloģija jau ir izplatīta zvanu centros, kur tā ļauj lietotājiem pārvietoties pa izvēlnēm un palīdz identificēt dusmīgus klientus, kuri būtu jānodod īstam klientu apkalpošanas pārstāvim.
Tagad jaudīgo mobilo ierīču straujais pieaugums padara balss saskarnes vēl noderīgākas un izplatītākas.
Džims Glāss, MIT vecākais pētnieks, kurš ir strādājis ar runas saskarnēm kopš 1980. gadiem, saka, ka mūsdienu viedtālruņi nodrošina tikpat lielu apstrādes jaudu kā laboratorijas iekārtas, ar kurām viņš strādāja 90. gados. Viedtālruņiem ir arī liela joslas platuma datu savienojumi ar mākoni, kur serveri var veikt smago darbu, kas saistīts gan ar balss atpazīšanu, gan izrunāto vaicājumu izpratni. Vairāk datu un lielākas skaitļošanas jaudas apvienojums nozīmē, ka šodien varat darīt lietas, kuras jūs vienkārši nevarējāt izdarīt agrāk, saka Glass. Varat izmantot sarežģītākus statistikas modeļus.
Visspilgtākais mobilās balss interfeisa piemērs, protams, ir Siri, ar balsi aktivizējams personīgais asistents, kas ir iebūvēts jaunākajā iPhone. Taču balss funkcionalitāte ir iebūvēta Android, Windows Phone platformā un lielākajā daļā citu mobilo sistēmu, kā arī daudzās lietotnēs. Lai gan šīm saskarnēm joprojām ir ievērojami ierobežojumi (skatiet sadaļu Sociālā inteliģence), mēs tuvojāmies mašīnu saskarnēm, ar kurām mēs varam runāt.
Nuance ir balss tehnoloģiju uzplaukuma pamatā. Uzņēmums tika dibināts 1992. gadā kā Visioneer, un tas ir iegādājies desmitiem citu balss tehnoloģiju uzņēmumu. Tagad tajā strādā vairāk nekā 6000 darbinieku 35 vietās visā pasaulē, un tā ieņēmumi 2012. gada otrajā ceturksnī bija 390,3 miljoni ASV dolāru, kas ir par 22,4% vairāk nekā tajā pašā laika posmā 2011. gadā.
Pēdējos gados uzņēmums Nuance ir veikli pielietojis savas zināšanas balss atpazīšanas jomā jaunajā runas saskarņu tirgū. Uzņēmums piegādā balss atpazīšanas tehnoloģiju daudziem citiem uzņēmumiem, un tiek uzskatīts, ka tā nodrošina Siri runas komponentu.
Runa ir ideāli piemērota mobilajai skaitļošanai, saka Nuance CTO, daļēji tāpēc, ka lietotāju rokas un acis ir citādi aizņemtas, bet arī tāpēc, ka ar vienu izrunātu komandu var veikt uzdevumus, kas parasti prasa daudz vilkšanas un nospiešanas. Pēkšņi jums ir šis jaunais celtniecības bloks, šī jaunā dimensija, ko jūs varat ieviest problēmas risināšanā, saka Sejnoha. Un es domāju, ka mēs izstrādāsim pamata modernās ierīces lietotāja interfeisu, paturot to prātā.
Iedvesmojoties no balss atpazīšanas programmatūras panākumiem mobilajos tālruņos, Nuance cer izvietot savas runas saskarnes daudzās citās vietās, jo īpaši televizoros un automašīnās. Abi ir populāri un nobrieduši inovācijām.
Lai atrastu pārraidi televizorā vai ieplānotu DVR ierakstīšanu, skatītājiem pašlaik ir jāpārvietojas neērtās izvēlnēs, izmantojot tālvadības pulti, kas nekad nav bijusi paredzēta teksta vaicājumu ievadīšanai. Produkti, kuriem vajadzēja atvieglot pārraides atrašanu, piemēram, Google TV, ir izrādījušies pārāk sarežģīti cilvēkiem, kuri vēlas vienkārši atpūsties vakara izklaidei.
Nuance pētniecības laboratorijās Sejnoha demonstrēja programmatūru, ko sauc par Dragon TV, kas darbojas televizorā imitētā viesistabā. Kad kolēģis teica: Dragon TV, atrodiet filmas ar Merilu Strīpu galvenajā lomā, interfeiss uzreiz tika skenēts kanālu sarakstos, lai atlasītu vairākas piemērotas filmas. Šīs tehnoloģijas versija jau ir pieejama dažos Samsung pārdotajos televizoros.
Tiek plaši baumots, ka Apple izstrādā savu televizoru, un tiek uzskatīts, ka Siri būs tā kontrolieris. Ideju veicināja Valtera Īzaksona Stīva Džobsa biogrāfija, kurā nelaiķis izpilddirektors apgalvoja, ka beidzot ir atrisinājis TV saskarni.
Tikmēr Ford automašīnu izklaides sistēma Sync jau izmanto Nuance tehnoloģiju, lai ļautu vadītājiem iegūt norādes, laikapstākļu informāciju un dziesmas. Aptuveni četriem miljoniem Ford automašīnu uz ceļa ir sinhronizācija ar balss atpazīšanu. Pagājušajā nedēļā Nuance ieviesa programmatūru Dragon Drive, kas ļaus citiem automašīnu ražotājiem pievienot transportlīdzekļiem balss vadības funkcijas.
Abi šie jaunie konteksti ir izaicinoši. Viens no iemesliem, kāpēc viedtālruņos ir kļuvušas populāras balss saskarnes, ir tas, ka lietotāji runā tieši ierīces mikrofonā. Lai nodrošinātu, ka sistēma labi darbojas televizoros un automašīnās, kur ir vairāk fona trokšņu, uzņēmums eksperimentē ar masīva mikrofoniem un trokšņu slāpēšanas tehnoloģiju.
Nuance padara vairākus programmatūras izstrādes komplektus pieejamus ikvienam, kurš vēlas lietojumprogrammā iekļaut balss atpazīšanas tehnoloģiju. Uzņēmums Montrue Technologies, kas atrodas Ešlendā, Oregonas štatā, izmantoja Nuance mobilo medicīnas SDK, lai izstrādātu iPad lietotni, kas ļauj ārstiem diktēt piezīmes.
Tas ir pārsteidzoši precīzi, saka Braiens Felpss, Montrue izpilddirektors un līdzdibinātājs un pats ir ER ārsts. Runa ir apgriezusies; tas ir sasniedzis punktu, kurā mēs iegūstam neticamu precizitāti tieši no kastes.
Savukārt komplekti nostiprina Nuance pozīcijas, palīdzot uzņēmumam uzlabot balss atpazīšanas un valodas apstrādes algoritmus, nosūtot arvien vairāk balss datu caur saviem serveriem. Kā saka MIT's Glass, runas atpazīšanas kopienā jau ilgu laiku ir bijis teiciens: 'Nav datu, piemēram, vairāk datu'. Nuance saka, ka tā saglabā datus anonīmā formātā, lai aizsargātu privātumu.
Sejnoha uzskata, ka pēc dažiem gadiem mobilās balss saskarnes būs daudz izplatītākas un jaudīgākas. Man vienkārši vajadzētu būt iespējai ar to runāt, nepieskaroties, viņš saka. Tas nepārtraukti klausīsies, vai tiek parādīti palaišanas vārdi, un vienkārši to darīs — uznirst kalendāru vai sagatavo īsziņu, vai pārlūkprogrammu, kas ir virzīta uz vēlamo vietu.
Iespējams, cilvēki pat runās ar datoriem, ko viņi valkā, piemēram, Google izstrādes stadijā esošās brilles, kurās var uzņemt fotoattēlus. Avoti uzņēmumā Nuance saka, ka viņi aktīvi plāno, kā runas tehnoloģija būtu jāveido, lai tā darbotos valkājamos datoros.