Pirmais dators, kas ir piemērots cilvēkiem sarunu runas atpazīšanā

Pa vienam iemaņas, kas mūs šķir no mašīnām, iekrīt mašīnu kolonnā. Vispirms bija šahs, pēc tam Apdraudējums! , tad Go, tad objektu atpazīšana, sejas atpazīšana un videospēles kopumā. Jums varētu tikt piedots, ka domājat, ka cilvēki kļūst novecojuši.

Bet izmēģiniet jebkuru balss atpazīšanas programmatūru, un jūsu ticība cilvēcei tiks ātri atjaunota. Lai gan šīs sistēmas ir labas un kļūst arvien labākas, tās nekādā gadījumā nav ideālas. Vai jūs pasūtāt saldējumu vai sakāt, ka es kliedzu? Iespējams, abi, ja tā ir mašīna, ar kuru jūs runājat.

Tāpēc vajadzētu būt pārliecinošam apziņai, ka parastā sarunvalodas runas atpazīšana ir kaut kas tāds, ar ko mašīnas joprojām cīnās — ka cilvēki joprojām pārvalda savu valodu.

Šim viedoklim var būt jāmainās. Ātri. Šodien Džefs Cveigs un draugi no Microsoft Research Redmondā, Vašingtonā, saka, ka viņi ir uzlauzuši šāda veida runas atpazīšanu un ka viņu mašīnmācīšanās algoritmi tagad pirmo reizi pārspēj cilvēkus parastās sarunvalodas atpazīšanā.

Runas atpazīšanas pētījumiem ir sena vēsture. 1950. gados agrīnie datori spēja atpazīt līdz pat 10 vārdus, ko skaidri teica viens runātājs. Astoņdesmitajos gados pētnieki izveidoja mašīnas, kas varēja pārrakstīt vienkāršu runu ar 1000 vārdu krājumu. Deviņdesmitajos gados tie virzījās uz ierakstiem, kuros cilvēks lasa Wall Street Journal , un pēc tam uz apraides ziņu runu.

Visi šie scenāriji kļūst arvien vērienīgāki. Bet tie ir arī vienkāršāki par parasto runu dažādu ierobežojumu dēļ. Vārdu krājums Wall Street Journal attiecas tikai uz uzņēmējdarbību un finansēm, un teikumi ir labi strukturēti un gramatiski pareizi, kas ne vienmēr attiecas uz parasto runu. Apraides ziņu runa ir mazāk formāla, taču joprojām strukturēta un skaidri izteikta. Visus šos piemērus galu galā ir iekarojušas mašīnas.

Taču visgrūtākais uzdevums — parastās sarunvalodas pārrakstīšana — ir nelokāmi pretojies uzbrukumam.

Parasta runa ir ievērojami grūtāka vārdu krājuma apjoma un arī citu trokšņu dēļ, ko cilvēki rada, runājot. Cilvēki izmanto virkni trokšņu, lai pārvaldītu pagriezienu pārņemšanu sarunā, saziņas veidu, ko valodnieki sauc par atpakaļkanālu.

Piemēram, uh-hu tiek izmantots, lai apstiprinātu runātāju un norādītu, ka viņam vai viņai jāturpina runāt. Bet uh ir vilcināšanās, kas norāda, ka runātājam ir vairāk sakāmā, brīdinājums, ka priekšā ir vēl vairāk. Savukārt vadība, uh spēlē pretēju lomu uh-hu .

Cilvēkiem nav grūti analizēt šīs skaņas un saprast to lomu sarunā. Bet mašīnas vienmēr ir cīnījušās ar tām.

2000. gadā Nacionālais standartu un tehnoloģiju institūts izlaida datu kopu, lai palīdzētu pētniekiem risināt šo problēmu. Dati sastāvēja no parastu sarunu ierakstiem pa telefonu. Dažas no tām bija sarunas starp personām par noteiktu tēmu. Pārējās bija draugu un radu sarunas par jebkuru tēmu.

Lielākā daļa datu bija paredzēti, lai palīdzētu apmācīt mašīnmācības algoritmu runas atpazīšanai. Pārējais bija tests, kas mašīnām bija jātranskribē.

Veiktspējas mēraukla bija vārdu skaits, ko mašīna kļūdījās, un galvenais mērķis bija paveikt uzdevumu labāk nekā cilvēki.

Tātad, cik labi ir cilvēki? Vispārējā vienprātība ir tāda, ka, runājot par transkripciju, cilvēkiem kļūdu līmenis ir aptuveni 4 procenti. Citiem vārdiem sakot, viņi nepareizi pārraksta četrus vārdus no katriem simtiem. Agrāk mašīnas ne tuvu nebija šim etalonam.

Tagad Microsoft saka, ka tā beidzot ir sasniegusi cilvēka veiktspēju, lai gan ar svarīgu brīdinājumu. Microsoft pētnieki sāka, atkārtoti novērtējot cilvēka veiktspēju transkripcijas uzdevumos. Viņi to izdarīja, nosūtot telefona ierakstus NIST datu kopā profesionālam transkripcijas dienestam un izmērot kļūdu līmeni.

Par pārsteigumu viņi atklāja, ka šī pakalpojuma kļūdu līmenis bija 5,9 procenti sarunām starp personām par piešķirto tēmu un 11,3 procenti sarunām starp draugiem un ģimenes locekļiem. Tas ir daudz augstāk, nekā tika uzskatīts.

Pēc tam Cveigs un kolēģi optimizēja savas dziļās mācīšanās sistēmas, kuru pamatā ir konvolucionālie neironu tīkli ar atšķirīgu slāņu skaitu, no kuriem katrs apstrādā atšķirīgu runas aspektu. Pēc tam viņi izmantoja apmācības datu kopu, lai iemācītu iekārtai saprast parasto runu un ļautu tai zaudēt testa datu kopā.

Rezultāti: kopumā Microsoft runas atpazīšanas sistēmai ir līdzīgs kļūdu līmenis kā cilvēkiem, taču kļūdu veidi ir diezgan atšķirīgi.

Visizplatītākā kļūda, ko pieļauj Microsoft mašīna, ir aizmugures kanāla skaņu sajaukšana uh un uh-hu . Turpretim cilvēki reti pieļauj šo kļūdu un mēdz sajaukt tādus vārdus kā uz un uz vai uh un uz .

Principā nav iemesla, kāpēc iekārtu nevar apmācīt atpazīt atpakaļkanāla skaņas. Cveigs un kolēģi domā, ka grūtības, kas mašīnai ir ar šīm ierīcēm, iespējams, ir saistītas ar veidu, kā šie trokšņi ir marķēti apmācības datu kopā. Viņi saka, ka automātiskās sistēmas salīdzinoši sliktā veiktspēja šeit varētu būt vienkārši neskaidra apmācības datu anotācijās.

Tomēr kopumā iekārta atbilst cilvēka kļūdu līmenim 5,9 procenti sarunās par piešķirto tēmu, bet pārspēj cilvēkus draugu un ģimenes sarunu pārrakstīšanā ar kļūdu līmeni 11,1 procenti. Pirmo reizi mēs ziņojam par automātiskās atpazīšanas veiktspēju, kas ir līdzvērtīga cilvēka veiktspējai šajā uzdevumā, saka Zveigs un citi.

Tas ir interesants darbs. Iespējams, ka Microsoft ir pārvietojis vārtu stabus, ierakstot šo uzvaru savām mašīnām, taču uzraksts ir skaidri redzams uz sienas. Mašīnas runas atpazīšanā kļūst labākas par cilvēkiem. Tas būtiski ietekmēs veidu, kā mēs mijiedarbojamies ar iekārtām, jo ​​īpaši attiecībā uz saldējuma pasūtīšanu.

Atsauce: arxiv.org/abs/1610.05256 : Cilvēka vienlīdzības sasniegšana sarunvalodas runas atpazīšanā

paslēpties