Digital læbelæser

Talegenkendelse er en længe lovet teknologi, som endelig begynder at levere. Men nutidens bedste systemer har en tendens til at fejle, når højttaleren er på et støjende sted. For at løse dette problem tilføjer forskere læbelæsning til blandingen.

Mens folk er afhængige af mundformer hele tiden for at fortolke tale, er læbeaflæsning ikke nogen enkel opgave for en computer. For det første kan hver form svare til flere specifikke lyde. For at gøre ondt værre begynder mundbevægelser så meget som 120 millisekunder, før en lyd udsendes. Mennesker kan bruge andre signaler såsom sætningskontekst og ansigtsudtryk til at overvinde disse vanskeligheder, men indtil for nylig manglede computere processorkraften til at gøre det.

Denne historie var en del af vores september-udgave fra 2003

• Se resten af ​​problemet
• Abonner

Nu ændrer grupper hos Intel, IBM og andre institutioner sprogbehandlingsprogrammer for at forbinde hver stemmelyd med flere mulige mundbevægelser, hvilket gør det muligt for softwaren at lave et bedste bud på, hvad der bliver udtalt. I test i støjende miljøer øgede tilføjelse af visuel information talegenkendelsesnøjagtigheden fra 20 procent til 75 procent, siger Ara Nefian, seniorforsker ved Intel Research i Santa Clara, CA.

I første omgang vil dette sandsynligvis være mest nyttigt for læger og andre, der arbejder på støjende steder, som har brug for bedre nøjagtighed fra kontordikteringssoftware. Med dette publikum i tankerne bygger IBM et lille kamera ind i boommikrofonen, der følger med eksisterende talegenkendelsessoftware. Længere hen ad vejen forestiller forskerne sig den dag, hvor dit bilinstrumentbræt måske har et kamera, der kigger på dine læber efter stemmestyret kontrol, eller din mobiltelefon kan se, hvad du siger.

skjule