Vienreizējai balss atpazīšanai paņemiet lētus mikroshēmas un pievienojiet vienkāršu AI

Flickr | msantos7

Pīts Vordens vēlas, lai jūs izmestu savu balss atpazīšanas aparatūru miskastē. Un tad pērciet vēl un vēl, un vēl. Šis Google inženieris cenšas padarīt balss atpazīšanas netīrumus par lētu.

Viņa ideja ir pietiekami vienkārša: samaziniet neironu tīklus, ko parasti izmanto skaņas apstrādei, līdz tie ir pietiekami efektīvi, lai darbinātu ar lētām, vieglām mikroshēmām. Es vēlos 50 centu mikroshēmu, ar kuru var veikt vienkāršu balss atpazīšanu un gadu darbināt ar monētu bateriju, viņš paskaidroja pagājušās nedēļas Arm Research Summit laikā Kembridžā, Apvienotajā Karalistē. Mēs vēl neesam tur... bet es tiešām domāju, ka tā ir. izdarāms pat ar pašreizējo tehnoloģiju, kas mums ir tagad.

Saistīts stāsts

Saistīts stāsts

Par tik zemu cenu aparatūra faktiski kļūtu par vienreiz lietojamu, tādējādi paverot izmantošanas veidus, kas iepriekš nebija iedomājami. Ierīces var izmantot, lai izveidotu lētas lelles, kas reaģē uz jūsu bērniem, piemēram, vai vienkāršu mājas elektroniku, piemēram, lampas, kas tiek aktivizētas ar balsi. Taču Vordens arī saka, ka viņi varētu atrast pielietojumu rūpnieciskos apstākļos, klausoties trokšņus, nevis balsis — simtiem sensoru pamana signalizējošos audiosignālus par čīkstošiem riteņiem rūpnīcas iekārtās vai čirkstošus kriketus fermas laukā.

Vordens, kurš vada Google komandu, kas izstrādā mobilās un iegultās lietojumprogrammas uzņēmuma mākoņa AI rīkam TensorFlow, saprot, ka ir izvirzījis sev izaicinājumu. Nav iespējams saspiest, piemēram, AI, kas nodrošina Amazon AI palīgu Alexa, lai tas darbotos ar vienkāršām ar akumulatoru darbināmām mikroshēmām, kuru takts frekvence ir tikai simtiem megahercu. Daļēji tas ir tāpēc, ka Alexa ir jāinterpretē daudz dažādu skaņu, bet arī tāpēc, ka lielākā daļa balss atpazīšanas AI izmanto neironu tīklus, kas prasa resursus, tāpēc Alexa nosūta apstrādi uz mākoni.

Tāpēc viņš ir ierobežojis problēmu, cenšoties identificēt tikai dažas noderīgas komandas, piemēram, ieslēgt, izslēgt, sākt, apturēt un tā tālāk. Viņš ir arī tirgojies ar regulāriem runas atpazīšanas algoritmiem. Tā vietā viņš paņem audio klipu, sagriež to īsos fragmentos un pēc tam aprēķina katra frekvenču saturu. Viņš sarindo katru frekvenču diagrammu vienu pēc otra, lai izveidotu frekvenču satura un laika 2-D attēlu, un izmanto vizuālās atpazīšanas algoritmus, lai identificētu raksturīgo parakstu kādam, kurš saka vienu vārdu.

Pirmie komandas mēģinājumi prasīja astoņus miljonus aprēķinu, lai analizētu vienas sekundes audio klipu ar 89 procentu precizitāti. Tas varētu darboties modernā viedtālrunī un būt pietiekami ātrs, lai būtu interaktīvs — tas ir labāk nekā apstrādes nosūtīšana uz mākoni, taču tas nedarbosies labi ar mazjaudas mikroshēmu. Pēc tam, kad komanda aizņēmās algoritmiskie triki kas palīdz Android tālruņiem atpazīt frāzi OK, Google, sistēma spēja analizēt runas sekundi ar 85 procentu precizitāti, veicot tikai 750 000 aprēķinu.

Komandai ir publicēja savu kodu TensorFlow vietnē, lai to varētu izmantot citi cilvēki. Pašlaik tas palaiž programmatūru tādās mikroshēmās kā viedtālruņos un Raspberry Pis — īpaši lēts dators kartē. Tā plāno mēģināt likt tiem strādāt ar mazākām mikroshēmām, piemēram, tām, kas atrodamas Arduino dēļos.

Tonijs Robinsons, bijušais mākslīgā intelekta pētnieks Kembridžas Universitātē, Apvienotajā Karalistē, un tagad runas atpazīšanas uzņēmuma galvenais tehniskais darbinieks Spehmātika , saka, ka Warden ambīcijas ir labas, un uzskata, ka šādas zemu izmaksu pieejas turpmākajos gados palīdzēs balss atpazīšanai kļūt plaši izplatītai. Taču viņš saskata problēmu šādu ierobežotu AI veidošanā. Viņš saka, ka cilvēki neturas pie skripta, skaidrojot, ka lietotāji, visticamāk, nebūs pietiekami pacietīgi, lai izmantotu tik ļoti ierobežotu instrukciju kopumu.

Tā vietā viņš ierosina, ka nedaudz jaudīgas mikroshēmas, kas var izsaukt vairāk lingvistisko iespēju, kādas atrodamas Google palīgā un Amazon Alexa, varētu būt labāk piemērotas patērētāju lietojumprogrammām.

paslēpties