Pamiętasz, kiedy pomysł KITT-a, gadającego samochodu z Knight Rider, ponownie Cię zaskoczył? Albo kiedy Łowca androidów Eric Decker ustnie nakazał swojemu komputerowi poprawić zdjęcia z miejsc zbrodni? Pomysł bycia rozumianym przez komputer wydawał się dość futurystyczny, nie mówiąc już o takim, który mógłby odpowiedzieć na Twoje pytania i zrozumieć Twoje polecenia. O autorze Graeme John Cole jest współpracownikiem Rev, twórcy najdokładniejszego na świecie mechanizmu automatycznego rozpoznawania mowy, Rev.ai. Dziś wszyscy nosimy KITT-a w kieszeni. Wzdychamy, gdy KITT odbiera telefon w banku. Osobowość jeszcze nie istnieje, ale komputery potrafią niemal doskonale rozpoznać słowa, które wypowiadamy. Michael Knight, bohater Knight Rider, który połączył siły ze swoim inteligentnym samochodem, aby walczyć z przestępczością, był sceptyczny, czy KITT może zrozumieć jego pytania w 1982 r. Jednak rozwój technologii rozpoznawania głosu trwał od lat 1950. Poniżej przedstawiono ewolucję tej technologii. przez lata. Oraz jak nasze sposoby korzystania z funkcji rozpoznawania mowy i zamiany tekstu na mowę ewoluowały wraz z technologią.
Pierwsze komputery słuchające, 1950-1980
Siła automatycznego rozpoznawania mowy (ASR) oznacza, że jego rozwój zawsze był kojarzony z wielkimi nazwiskami. W 1952 r. firma Bell Laboratories wprowadziła na rynek firmę AUDREY. System AUDREY rozpoznawał wypowiadane liczby z dokładnością od 97 do 99% w dokładnie kontrolowanych warunkach. Jednakże według Jamesa Flanagana, naukowca i byłego inżyniera elektryka w Bell Labs, AUDREY siedziała na „stoisku przekaźników o wysokości sześciu stóp, zużywając znaczną energię i wykazując niezliczone problemy konserwacyjne związane ze złożonym obwodem przekaźników”. puste rurki”. AUDREY był zbyt drogi i niepraktyczny, nawet w przypadku specjalistycznych zastosowań. W 1962 roku IBM wprowadził Shoebox, który rozpoznawał liczby i proste terminy matematyczne. W tym czasie japońskie laboratoria opracowały rozpoznawanie samogłosek i fonemów oraz pierwszy segment mowy. Rozumienie małego zakresu liczb (tj. od 0 do 9) przez komputer to jedno, ale przełomem na Uniwersytecie w Kioto było „segmentowanie” linii mowy, aby technologia mogła pracować nad różnymi dźwiękami mówionymi. W latach 1970. Departament Obrony (DARPA) sfinansował program badań nad rozumieniem mowy (SUR). Owocem tych badań był między innymi system rozpoznawania mowy HARPY firmy Carnegie Mellon. HARPY rozpoznawała zdania ze słownika składającego się z 1.011 słów, co dało systemowi moc przeciętnego trzylatka. Kiedy miałem trzy lata, rozpoznawanie głosu było teraz cudowne i miało potencjał, ale nie chciałbym tego w biurze. HARPY jako jedna z pierwszych zastosowała ukryte modele Markowa (HMM). Ta probabilistyczna metoda doprowadziła do rozwoju ASR w latach 1980. W latach 1980. pojawiły się pierwsze realne przypadki użycia narzędzi zamiany tekstu na mowę w eksperymentalnym systemie transkrypcji IBM, Tangora. Dzięki odpowiedniemu przeszkoleniu Tangora potrafiła rozpoznać i zapisać 20.000 XNUMX angielskich słów. Jednak system był nadal zbyt ciężki do użytku komercyjnego.ASR na poziomie konsumenckim od lat 1990. do 2010 r
„Uważaliśmy, że niewłaściwe jest proszenie maszyny o naśladowanie ludzi” – wspomina Fred Jelinek, innowator w zakresie rozpoznawania mowy w IBM. „W końcu, jeśli maszyna musi się poruszać, robi to za pomocą kół, a nie chodzenia. Zamiast wyczerpująco badać, jak ludzie słyszą i rozumieją mowę, chcieliśmy znaleźć naturalny sposób, aby maszyna mogła to zrobić. Analiza statystyczna była obecnie siłą napędową ewolucji technologii ASR. W 1990 roku wypuszczono Dragon Dictate jako pierwsze komercyjne oprogramowanie do rozpoznawania mowy. Kosztuje 9,000 euro, około 18,890 2021 euro w 1997 r., uwzględniając inflację. Aż do wydania Dragon Naturally Speaking w 1992 r. użytkownicy nadal musieli robić pauzy między każdym słowem. W 1.200 roku firma AT&T wprowadziła usługę przetwarzania połączeń głosowych (VRCP) firmy Bell Labs, która obecnie przetwarza około 1990 miliarda transakcji głosowych rocznie. Jednak większość prac związanych z rozpoznawaniem mowy w latach 2004. odbywała się pod maską. Komputery osobiste i wszechobecna sieć stworzyły nowe perspektywy innowacji. Tę szansę odkrył Mike Cohen, który dołączył do Google, aby w 2007 roku rozpocząć prace firmy nad technologią głosową. Wyszukiwanie głosowe Google (2010) udostępniło masom technologię rozpoznawania głosu. Ale wykorzystał także dane głosowe od milionów użytkowników sieci jako materiały szkoleniowe na temat uczenia maszynowego. I miał wagę przetwarzania Google, aby poprawić jakość. Apple (Siri) i Microsoft (Cortana) poszły w ich ślady, aby pozostać w grze. Na początku XNUMX roku pojawienie się głębokiego uczenia się, rekurencyjnych sieci neuronowych (RNN) i pamięci długoterminowej (LSTM) doprowadziło do hiperprzestrzennego skoku w możliwościach technologii ASR. Na tę dynamikę rozwoju w dużej mierze wpłynęło także pojawienie się i większa dostępność tanich rozwiązań informatycznych oraz ogromny postęp algorytmiczny.