Slik fungerer talegjenkjenning: Teknologi bak stemmekontroll
Markedet for talegjenkjenning vokser raskt – anslått til $58,4 milliarder innen 2015. Mange kontaktcentre bruker talebasert navigasjon: kunder sier tjenestens navn i stedet for å navigere lange menyer. Bedrifter i mange bransjer automatiserer penn-og-papir-prosesser med taleløsninger. Virtuelle assistenter som Apples Siri har blitt populære.
Likevel forstår få hvordan teknologien faktisk fungerer. Den er komplisert, og avanserte talemotorer krever årslanger forskning og utvikling.
Prosessen trinn for trinn
- Lydopptak og digitalisering: Når du snakker, skaper du vibrasjoner i luften. Analog-til-digital-omformere (ADC) digitaliserer lyden ved nøyaktige målinger av bølgen jevnlige intervaller, så filtreres uønsket støy.
- Segmentering til fonemer: Signalet deles i små segmenter som matches mot kjente fonemer i språket. Et fonem er det minste språklige elementet – en representasjon av lydene vi lager, satt sammen til meningsfulle uttrykk.
- Kontekstuell analyse: Programmet undersøker fonemer i sammenheng med nabofonemer. Den kjører fonemsekvensen gjennom en kompleks statistisk modell og sammenligner med et stort bibliotek av kjente ord, uttrykk og setninger. Bestemmer hva brukeren sa – utdata som tekst eller datakommando.
Den største utfordringen: Kontekst og vokabular
Siste trinn er mest vanskelig. Systemer har gjennomgått mange utviklinger for nøyaktig fonemanalyse. Dagens systemer bruker kraftige statistiske modeller med sannsynlighet og matematiske funksjoner for å bestemme mest sannsynlig utfall.
Utfordringen vokser med fraser/setninger: systemet må finne ut hvor hvert ord starter/stopper. Det analyserer fonemer ved hjelp av foregående uttrykk. Med vokabular på 60 000 ord kan en 3-ords-sekvens ha 216 milliarder muligheter.
Eneste løsning: mate statistiske systemer med tusenvis av timer menneske-transkribert tale og hundrevis megabyte tekstdata.
Mer info: [lenke]