Gå ind i dragen

Hver bygning har sit krav om berømmelse, siger Janet Baker, mens hun fører mig rundt i en tre-etagers murstensbygning, der ligger på en bakke med udsigt over Boston. Denne bygning engang en mølle er blevet renset, renoveret og omdannet til kontorer. I dag er det hovedkvarteret for Dragon Systems, virksomheden Janet og hendes mand Jim Baker grundlagde i 1982.

Hvad er denne? Jeg spørger.

Denne historie var en del af vores september-udgave fra 1998

• Se resten af ​​problemet
• Abonner

Rebet, der hang John Wilkes Booth, er lavet her, siger hun med et smil.

Når jeg kender industribygningens fortid, er skiltene overalt. Gulvene på anden og tredje etage er lidt skrå, så arbejderne for et århundrede siden kunne rulle de massive spoler af reb. Der er døre på tredje sal, der åbner ud i det tomme rum, hvor blok og grej sænkede spolerne til vognene, der ventede nedenfor. Remskiver og ruller hænger stadig fra bygningens lofter.

Men historikere, der ser tilbage fra det 21. århundrede, er mindre tilbøjelige til at huske dette gamle møllehus for løkken, der vred nakken på Abraham Lincolns snigmorder, end for at være stedet, hvor Dragon Systems løste en stor udfordring inden for datalogi: at få en personlig computer til at genkende naturligt. menneskelig tale.
Lige siden sidste århundrede har ingeniører forsøgt at bygge en maskine, der ville lytte til sin herres stemme; selv Alexander Graham Bell prøvede sig frem. Og mens computere, der er i stand til at genkende enkelte talte ord, har eksisteret i årtier, proklamerede eksperter i efteråret 1995 stadig, at stationære maskiner, der er i stand til at transskribere kontinuerlig tale - den hurtige og nogle gange forvirrede måde, folk faktisk taler - ikke ville være til stede før kl. i hvert fald år 2000 ... og muligvis meget senere.

I dag kan du købe Dragon Systems' NaturallySpeaking i computerbutikker for $99,95 og køre det på en ny pc, der koster mindre end $2.000.

Så hvad kan denne teknologi gøre? Tidligere på året sad jeg i et konferencelokale i Dragons hovedkvarter med en flok skeptiske teknologiskribenter, mens Joel Gould, Dragon Systems' ledende arkitekt, demonstrerede det program, han var med til at skabe. Gould gik hen til konferencelokalet, sluttede sin bærbare computer til projektoren, tog et letvægts telefonheadset på og begyndte at tale.

Jeg vil først give dig en demonstration, og så vil jeg gå tilbage og vise dig nogle af de ting, du så gå hurtigt forbi, sagde Gould. Få sekunder senere dukkede de samme ord op på skærmen, skrevet magisk af computeren selv. Gould fortsatte i denne samtalestil, hvor maskinen transskriberede alt, hvad han sagde. Selvom der lejlighedsvis var en fejl, var maskinens nøjagtighed bemærkelsesværdig. I håb om at stoppe programmet spurgte en journalist, om det kunne skelne mellem ord, der lyder ens, men er stavet anderledes. Gould smilede og sagde en sludder: Skriv venligst et brev lige nu til fru Wright. Fortæl hende, at to er for mange til at købe. Systemet genkendte ordene perfekt.

Dragons ledelse forudser med tillid, at en computer uden en sådan stemmegenkendelsessoftware om fem år vil virke lige så primitiv, som en computer uden mus ville virke i dag. Breve og e-mail vil blive dikteret lige så nemt som at tale i telefon. Bare et skridt ud over det kunne pc-baseret simultanoversættelse vælte sprogbarrierer.

Talegenkendelsens ankomst et par år før planlagt skyldes i høj grad udholdenheden fra Jim og Janet Baker, parret, der grundlagde Dragon tilbage i 1982. Som forskere hjalp parret med at opfinde nogle af de grundlæggende algoritmer, der bruges i dag af alle talegenkendelsesprodukter . Som iværksættere kæmpede de for at kommercialisere teknologien år forud for nogens tidsplan. Nu hvor talen er på skrivebordet, er det klart, at vores computerfremtid i høj grad vil blive formet af Dragon Systems og det mand-og-kone-team, der fødte den.

Janet maciver og jim baker blev forelskede, da de begge var kandidatstuderende ved New York Citys Rockefeller University. Det var efteråret 1970. Janet, en personlig og udadvendt biofysiker, studerede, hvordan information behandles af nervesystemet. Jim var en meget genert matematiker, der ledte efter et lovende specialeemne.

Den tredje deltager i deres forhold - gåden om talegenkendelse - kom ind på scenen en dag, da Jim besøgte Janets laboratorium og så en oscilloskopskærm, der viste en bevægelig bølget linje. Signalet, forklarede Janet, var en kontinuerlig log over igangværende begivenheder produceret af en type lille analog kredsløb, der oprindeligt blev opfundet af professor Jerome Lettvin ved MIT. Begivenhederne på hendes skærm var lyde af menneskelig tale.

Det slog mig som et meget interessant mønstergenkendelsesproblem, siger Jim og tænker tilbage på det skæbnesvangre krumspring. Ledet til en højttaler ville signalet frembringe lyde, som en person kunne forstå: sprog, kort sagt. Men vist på skærmen var informationen uigennemtrængelig.

Og efterhånden som jeg lærte mere om det, lærte jeg, hvor svært problemet egentlig var, husker han. Nøgleudfordringen var ikke blot at bygge en computer, der kunne identificere individuelle ord - det havde et hold hos Bell Labs gjort tilbage i 1952. Bells simple computer kunne genkende cifrene nul til ni ved at matche de talte lyde mod et sæt mønstre gemt i analog hukommelse. Og i 1970'erne havde sådanne diskrete genkendelsessystemer - som fungerede, forudsat at systemet først blev trænet på talerens stemme, og at taleren holdt pause mellem hvert ord - bygget op til et par hundrede ord.

Den egentlige opgave var at designe en algoritme, der kunne give mening i naturligt talte sætninger - hvor individuelle ordlyde camoufleres af deres kontekst (se diagram s. 61). Det [gjorde] det mere interessant, siger Jim. Allerede dengang slog kontinuerlig talegenkendelse ham som et ideelt forskningsproblem, som han karakteriserer som meget vanskeligt, men ikke umuligt.

Da Jim og Janet forberedte sig til deres bryllup i 1971, startede U.S. Defense Advanced Research Projects Agency (DARPA) et ambitiøst femårigt projekt kaldet Speech Understanding Research. Agenturet mente, at enhver teknologi, der lader soldater kommunikere hurtigere med computere, kunne være en betydelig strategisk fordel, især på slagmarken. Projektets mål: et system, der kunne genkende kontinuerlig menneskelig tale fra et 1.000-ords ordforråd med 90 procents nøjagtighed.

Timingen af ​​DARPA-initiativet var tilfældig for bagerne, ligesom Jims videnskabelige baggrund. Som bachelor havde han udviklet en matematisk teknik til at analysere tilsyneladende tilfældige hændelser, baseret på metoder udviklet af den russiske matematiker Andrey Markov (1856-1922). Jim var den første person, der indså, at sådanne skjulte Markov-modeller kunne bruges til at løse talegåden.

De fleste nygifte samarbejder om at løse udfordringer såsom, hvilket mønster de skal vælge til deres bryllupporcelæn. Bagerne sprang ikke disse opgaver over (de valgte en drage), men besluttede så også at tackle problemet med talegenkendelse sammen. Alligevel befandt de sig i stigende grad isolerede hos Rockefeller, som ikke havde eksperter i taleforståelse og manglede computerkraft til at prøve Jims teknikker. Så det næste år pakkede de deres tasker og flyttede til Carnegie Mellon University, en af ​​DARPA-projektets primære entreprenører og et arnested for kunstig intelligens (AI) forskning.

Hos Carnegie Mellon opdagede Bakers, at deres tilgang til talegenkendelse var langt ude af trit med mainstream. På det tidspunkt troede mange AI-forskere, at en maskine kun kunne genkende talte sætninger, hvis den først kunne forstå en hel del kontekst, herunder hvem taleren var, hvad taleren vidste, og hvad taleren måske forsøger at sige, såvel som regler for engelsk grammatik. Med andre ord, for at genkende tale skal en maskine være ret intelligent.

The Bakers prøvede en helt anden vej. Med udgangspunkt i Jims erfaring med Markov Models skabte de et program, der fungerede i et rent statistisk område. Først begyndte de at beregne sandsynligheden for, at to eller tre ord ville optræde efter hinanden på engelsk. Så lavede de en fonetisk ordbog med lydene fra disse ordgrupper. Næste trin var en algoritme til at dechifrere en række af talte ord baseret ikke kun på et godt lydmatch, men også efter sandsynligheden for, at nogen ville tale dem i den rækkefølge. Systemet havde ingen viden om engelsk grammatik, ingen vidensbase, intet regelbaseret ekspertsystem, ingen intelligens. Intet andet end tal.

Det var en meget kættersk og radikal idé, siger Janet. Mange mennesker sagde: Det er ikke tale eller sprog, det er matematik! Det er noget andet!’

Selvom bagernes tankegang mødte udbredt skepsis, siger Victor Zue, associeret direktør for MIT's Laboratory for Computer Science og en anden taleforskningspioner, har tiden vist, at [Bagerne] er korrekte i at forfølge denne form for tilgang. Faktisk begyndte Bakers' system, som de kaldte Dragon efter væsenet, der prydede deres porcelænssæt, snart konsekvent at udkonkurrere konkurrerende metoder.

Da bagerne modtog deres doktorgrader fra Carnegie Mellon i 1975, skaffede deres pionerarbejde dem snart begge job på IBMs Thomas J. Watson Research Center uden for New York City. På det tidspunkt var IBM en af ​​de eneste organisationer, der arbejdede med stort ordforråd, kontinuerlig talegenkendelse. Vi gik ikke til [IBM] og sagde: I skal ansætte os begge,' husker Jim. Det lykkedes bare sådan. Det var dog et mønster, der ville gentage sig. I dag, med Jim som formand/CEO og Janet som præsident for Dragon Systems, sætter Bakers en ære i at have næsten identiske CV'er.

Hos IBM designede Bakers et program, der kunne genkende kontinuerlig tale fra et 1.000-ords ordforråd. Det var dog langt fra realtid. Programmet kørte på en IBM 370-computer og tog omkring en time at afkode en enkelt talt sætning. Men det, der frustrerede Bakers mere end at vente på tid på mainframen, var IBMs afvisning af at teste talegenkendelse under virkelige forhold.

IBM er en fremragende forskningsinstitution, og vi nød at arbejde der, siger Janet. Men vi var meget ivrige efter at få tingene ud på markedet og få rigtige brugere. Virkelige brugere kunne bestemt ikke vente en time på, at en computer kunne transskribere en sætning. Men, bemærker hun, du kunne have gjort enklere ting ved at bruge meget færre [computer] ressourcer. IBMs ledelse følte sig anderledes og fortalte bagerne, at de var for tidlige.
Det var storhedstiderne for forpassede muligheder hos IBM (tæl relationsdatabaser og RISC-mikroprocessorer blandt de nøgleopfindelser, virksomheden ikke formåede at kommercialisere), og i 1979 kogte Bakers frustration over. Parret hoppede til Verbex, et Boston-baseret datterselskab af Exxon Enterprises, der havde bygget et system til at indsamle data over telefonen via talte cifre. Jim (som nyslået vicepræsident for avanceret udvikling) og Janet (som vicepræsident for forskning) satte sig for at få programmet til at håndtere kontinuerlig tale.

Men mindre end tre år senere slap Exxon ud af talegenkendelsesbranchen, og bagerne søgte arbejde igen. Denne gang stavede deres look-alike CV'er problemer - der var ingen job til nogen af ​​dem. Duoen indså, at de stod over for et valg: skille sig fra talegenkendelse ved at skifte felt eller tage ud på egen hånd.

I 1982, uden risikovillig kapital, ingen forretningsplan, to børn i førskolealderen og et stort realkreditlån grundlagde Bakers Dragon Systems. De drev virksomheden fra deres stue og regnede med, at deres opsparing kunne vare 18 måneder - måske 24, hvis de spiste lidt nok.

Lidt tungt, men ikke rigtig ude af form, ligner Bakers i dag meget mere lykkeligt aldrende akademikere end succesfulde iværksættere. Men når man går gennem Dragons overdådige hovedkvarter, er det umiddelbart tydeligt, at de er begge. Dragon Systems er vokset med næsten 50 procent hvert år i de sidste 16; den beskæftiger nu mere end 260 medarbejdere. Deres hemmelighed, siger Janet, var et årti med selvtillid. I stedet for at samle gæld op eller sælge en andel i virksomheden til udenforstående, insisterede Bakers på, at lønninger og udgifter skulle betales af indtægter. Som et resultat fokuserede Dragon på at løse problemer i den virkelige verden med den nuværende teknologi og formåede at levere.

Årene efter Dragons udklækning bragte en vaskeri liste over skræddersyede projekter, forskningskontrakter og førsteklasses produkter baseret på den stadig mere robuste diskrete genkendelsestilgang. Blandt vartegnene var Dragons første aftale, hvor et lille britisk firma kaldet Apricot Computers brugte Dragons teknologi til at markedsføre den første personlige computer til at lade folk åbne filer eller køre programmer ved at sige enkle kommandoer. (Av, Abrikos var modnet forud for sin tid og gik hurtigt i stå.) I 1986 brugte Xerox-arbejdere bevæbnet med mikrofoner og radiosendere Dragon-teknologi til at foretage en revision af virksomhedens hele lagerbeholdning på 2,2 millioner dele.

I 1990 introducerede Dragon DragonDictate 30K, det første store ordforråd, tale-til-tekst-system til almindelig diktering. Programmet gjorde det muligt for en bruger at styre en pc med kun stemme, og fandt straks gunst blandt de handicappede, inklusive skuespilleren Christopher Reeve.

Men Dragons diskrete teknologi kunne ikke trænge ind på det generelle marked. Selvom mange mennesker kunne indtaste tekst med DragonDictate hurtigere, end de kunne skrive, var der ingen, der nød at blive tvunget til at holde pause mellem hvert talt ord. Endnu værre, konkurrenterne kom stærkt med deres egen diskrete talegenkendelsesteknologi. Alle vidste, at det, brugerne virkelig ønskede, var kontinuerlig talegenkendelse, og at den første virksomhed på markedet ville være klar til at dominere. Men alle vidste også, at et kontinuerligt produkt var mindst fem år væk, måske endda et årti.

Så engang i slutningen af ​​1993 indså Bakers, at den konventionelle visdom var forkert. Da de vidste, hvor hurtigt computerhastigheden og hukommelsen blev forbedret, beregnede de, at top-of-the-line desktop-maskiner skulle have magten til at udføre kontinuerlig genkendelse inden for få år. Ligesom parret engang havde sat deres karriere på spil på en besynderlig ny tilgang til talegenkendelse, begyndte Bakers i første halvdel af 1994 at lave deres virksomhed om i et forsøg på at gribe chancen og bringe deres ideer til markedet.

Mens Jim oprettede et nyt udviklingsteam til at bygge Dragons første kontinuerlige talegenkender, forhandlede Janet en aftale med den californiske harddiskproducent Seagate Technologies om at købe 25 procent af Dragons aktie. Virksomheden brugte pengene til at bemande sine ingeniør-, marketing- og salgsstyrker. Inden for et år havde Dragon det største taleforskerhold i verden - mere end 50 videnskabsmænd og softwareingeniører.

Det nye kontinuerlige produkt ville egentlig være to programmer i ét. Den første, genkenderen, ville udføre det egentlige arbejde med at konvertere talte ytringer til engelsk tekst. Det andet program var grænsefladen, der forbinder genkendelsen til både brugeren og resten af ​​computerens operativsystem. Hvis første halvdel var ren videnskab (bygget på bagernes tidlige arbejde), var den anden den frustrerende blanding af teknik og kunst, der var nødvendig for at gøre videnskab til et salgbart produkt.

Det sværeste af disse problemer i den virkelige verden var at få softwaren til at køre godt i et Windows-miljø. Windows er forfærdeligt, beklager Dragon's Gould, der påtog sig den kritiske opgave med at designe brugergrænsefladen. Det er buggy, dårligt dokumenteret, inkonsekvent og dele af det [er] næsten ubrugeligt. Alligevel er det, hvad alle vores kunder kører.

I april 1997 havde Dragons team ryddet de vigtigste forhindringer og begyndt at antyde til brancheanalytikere, at noget stort var på vej. Vi var skeptiske, husker Peter Ffoulkes fra markedsanalysefirmaet Dataquest. Så så han demoen, som havde et ordforråd på 230.000 ord. Vi var stort set blæst bagover med evnen. Vi havde ikke forventet, at det var her i dag, og det er det virkelig, siger Ffoulkes.

Bagerne havde spillet deres selskab, og de havde satset rigtigt. Det nye produkt til kontinuerlig genkendelse, kaldet Dragon NaturallySpeaking, var et øjeblikkeligt hit. Janet Bakers kontor begyndte at fylde op med anmodninger fra virksomheder, der håbede på at integrere Dragons teknologi med deres softwareapplikationer. Artikler om NaturallySpeaking dukkede op i publikationer over hele verden; Gould demonstrerede programmet på CNN. Det efterår fejede NaturallySpeaking industriens COMDEX-messe og vandt alle større produktpriser.

Dragons tid alene i rampelyset var dog kort. Da virksomheden for første gang sendte NaturallySpeaking i juni 1997, reagerede IBM ved at sænke prisen på sin diskrete talegenkender Voice Type til $49,95. Og fordi nyheden om NaturallySpeakings forestående udgivelse var lækket ud måneder tidligere, havde IBM allerede iværksat et nedbrudsforsøg for at flytte sit eget kontinuerlige talegenkendelsesprogram (udviklet i det samme laboratorium, hvor Bakers havde arbejdet i 1970'erne) lige så hurtigt ud af døren. som muligt. Produktet, IBM ViaVoice, ramte butikshylderne, som august prissatte til at flytte til kun $99.

IBM blæste virkelig tingene væk, siger John Oberteuffer, præsident for Voice Information Associates, som studerer talegenkendelsesmarkedet. Jeg har brugt dem begge, og hvad angår ren genkendelsesnøjagtighed vil jeg sige, at de er sammenlignelige, siger han. Dragon blev tvunget til at trække sig tilbage og sænke prisen fra det høje startgebyr på $700 til $299 og derefter til $199. Ved årets udgang havde Dragon solgt 29.463 eksemplarer af NaturallySpeaking, mens IBM ifølge PC Data havde solgt 46.182 eksemplarer af ViaVoice. Men i den samlede produktomsætning havde Dragon overtrumfet Big Blue.

skjule