211service.com
AT&T ønsker at sætte din stemme til ansvar for apps
I et forsøg på at gøre tale til den dominerende måde, som mennesker styrer teknologi på, åbner AT&T sin talegenkendelsesteknologi op for andre at bruge. Fra og med juni kan softwareingeniører benytte sig af en cloud-tjeneste, som virksomheden tilbyder, for at få enhver enhed, der kan oprette forbindelse til internettet, til at reagere på sin herres stemme.
Hvad?: En laboratoriedemonstration viser en samtale i realtid mellem en engelsk- og en spansktalende. Udtalte ord blev gengivet til tekst, oversat og talt med maskine til lytteren i begge ender.
AT&T mener, at teknologien i sidste ende kan bruges til alt fra smartphone-apps og onlinespil til biler og apparater. Mens det oprindelige tilbud kun vil konvertere tale til tekst og tilsvarende kommandoer, overvejer virksomheden et bredere sæt af tilbud senere, herunder dem, der oversætter engelsk tekst til seks andre sprog og omvendt, og som også kan syntetisere oversat tale.
Vi tror på, at der er en masse kloge mennesker derude, som kan skabe applikationer og tjenester, vi aldrig har drømt om før, siger Mazin Gilbert, vicepræsident for intelligent systemforskning hos AT&T Labs i Florham Park, New Jersey. For at bruge teknologien skriver udviklere kode ind i deres software for at drage fordel af en API (applikationsprogrammeringsgrænseflade) specificeret af AT&T. Denne kode får en applikation til at sende tale til AT&T over internettet, hvor den konverteres til tekst og returneres til enheden. De nye API'er var annonceret sidste uge. AT&T hævder, at teknologien er 95 procent nøjagtig til at tage engelsk tale og gengive den som tekst. Den siger, at dens nøjagtighed ved at konvertere betydningen af engelsk tekst til og fra andre sprog varierer fra 70 procent til 80 procent.
Den underliggende taleteknologi, der nu tilbydes af AT&T, bruges allerede i mange af dets egne applikationer, herunder AT&T oversætter app til Android- og iOS-telefoner og mobil stemmeindekssøgning leveret af Gule Sider . Jeg vil gerne have en million apps kørende på vores platform, ikke hundredvis, som vi har i dag, siger Gilbert. Uanset hvad din vilde idé er – vi vil gerne levere disse API'er. Jeg skal være ærlig: Jeg ved ikke, hvad folk skal bruge det til.
AT&T-teknologien bygger på årtiers innovation hos Bell Labs forud for opløsningen af AT&T og den efterfølgende etablering af AT&Ts egne servicecentrerede laboratorier. Virksomheden skal dog konkurrere med mere etablerede udbydere af talegenkendelsesteknologi, især inden for smartphones.
For eksempel, Nuance leverer talegenkendelsesfunktioner til mange virksomheder, herunder, efter sigende, Apple til sin Siri personlige assistent. Googles talegenkendelsesteknologi tilbydes i hele dets Android-smartphone-operativsystem og af enhver app, der er skrevet til en Android-enhed. Microsoft har også talegenkendelsesteknologi, som vises i deres Windows Phone-operativsystem og i produkter fra partnere som Ford, med deres Sync-system til underholdning i bilen.
Krish Prabhu, administrerende direktør for AT&T Labs, mener, at at gøre taleteknologi bredt tilgængelig vil gøre det muligt for mobil computing at være mere kapabel og vokse hurtigere. I sammenhæng med en verden, hvor vi stort set har løst forbindelses- og rækkeviddeproblemer - selvom der stadig er problemer - kommer denne indsats på tale fra en overbevisning om, at grænsefladen til netværket skal blive enklere, sagde han ved en laboratoriedemonstration i New York City i sidste uge. Vi forsøger at bane vejen, så teknologien ikke er det, der stopper os.
AT&T's API'er for tale-til-tekst, der lanceres i juni, består af syv versioner, der er skræddersyet til specifikke anvendelser, såsom diktering af tekstbeskeder, søgning efter lokale virksomheder, besvarelse af spørgsmål, omdanne voice-mails til tekst og udføre generel diktering. I fremtiden vil der også blive tilføjet specifikke API'er til onlinespil og sociale netværk.
Senere kan API'er blive tilgængelige, der oversætter tekst mellem engelsk og seks andre sprog: spansk, fransk, italiensk, tysk, kinesisk og japansk. Andre sprog, herunder koreansk og arabisk, er i pipelinen, men AT&T vil være langt bagefter konkurrenterne. For eksempel tilbyder Google allerede udviklere værktøjer, der kan oversætte mellem et hvilket som helst af over tusind sprogpar.
Gilbert siger, at brugen af alle API'er ville medføre et registreringsgebyr på $99 for 2012, og at planerne efter 2012 ikke var offentlige. Google opkræver betaling for sine egne oversættelses-API'er.
Forbedring af nøjagtigheden af talegenkendelse eller oversættelsessoftware kræver at få flere eksempeldata for at træne de underliggende algoritmer. For at hjælpe denne proces kunne AT&T i sidste ende anmode om feedback fra folk, der bruger produkter, der har tale- og oversættelsesteknologi indbygget. Crowdsourcing ville gøre det muligt for dette at nå meget højere niveauer af nøjagtighed, og det ville igen føre til en bredere anvendelse og meget gladere brugere, siger Sam Ramji, en datalog, der er vicepræsident for strategi hos Apigee , som bygger API-platforme og arbejder på AT&T-projektet.
Ramji mener, at det at gøre god talegenkendelsesteknologi let tilgængelig langsomt kan få traditionelle menuer og tekstdrevne grænseflader til at uddø. Nutidens brugergrænseflader er som træer, som vi skal navigere i for at afspejle programmets struktur. Det, der skulle ske, er, at enheder analyserer kommandoen, der kommer ud af vores mund, siger han.