Hvor talegenkendelse er på vej hen

Indtil for nylig virkede ideen om at føre en samtale med en computer ren science fiction. Hvis du bad en computer om at åbne pod bay-dørene - ja, det var kun i film.

Men tingene ændrer sig, og det hurtigt. Et stigende antal mennesker taler nu til deres mobiltelefoner og beder dem om at sende e-mail og tekstbeskeder, søge efter rutevejledning eller finde information på nettet.

Vi er ved et overgangspunkt, hvor stemme- og naturlig sprogforståelse pludselig er i højsædet, siger Vlad Sejnoha, teknologichef i Nuance Communications, en virksomhed baseret i Burlington, Massachusetts, der dominerer markedet for talegenkendelse med sin Dragon-software og andre produkter. Jeg tror, ​​at talegenkendelse virkelig vil forbedre den nuværende [computer]-grænseflade.

Fremskridt er sket delvist takket være konstante fremskridt i de teknologier, der er nødvendige for at hjælpe maskiner med at forstå menneskelig tale, herunder maskinlæring og statistiske data-mining-teknikker. Sofistikeret stemmeteknologi er allerede almindelig i callcentre, hvor den lader brugere navigere gennem menuer og hjælper med at identificere irriterede kunder, som bør afleveres til en rigtig kundeservicemedarbejder.

Nu gør den hurtige stigning af kraftfulde mobile enheder talegrænseflader endnu mere nyttige og udbredte.

Jim Glass, en seniorforsker ved MIT, som har arbejdet på talegrænseflader siden 1980'erne, siger, at nutidens smartphones rummer lige så meget processorkraft som de laboratoriemaskiner, han arbejdede med i 90'erne. Smarttelefoner har også dataforbindelser med høj båndbredde til skyen, hvor servere kan udføre de tunge løft, der er forbundet med både stemmegenkendelse og forståelse af talte forespørgsler. Kombinationen af ​​flere data og mere computerkraft betyder, at du kan gøre ting i dag, som du bare ikke kunne gøre før, siger Glass. Du kan bruge mere sofistikerede statistiske modeller.

Det mest fremtrædende eksempel på en mobil stemmegrænseflade er naturligvis Siri, den stemmeaktiverede personlige assistent, der er indbygget i den nyeste iPhone. Men stemmefunktionalitet er indbygget i Android, Windows Phone-platformen og de fleste andre mobilsystemer samt mange apps. Selvom disse grænseflader stadig har betydelige begrænsninger (se Social Intelligence), kommer vi tættere på maskingrænseflader, vi faktisk kan tale med.

Nuance er kernen i boomet inden for stemmeteknologi. Virksomheden blev grundlagt i 1992 som Visioneer og har opkøbt snesevis af andre taleteknologivirksomheder. Det har nu mere end 6.000 ansatte på 35 lokationer rundt om i verden, og dets omsætning i andet kvartal af 2012 var $390,3 millioner, en stigning på 22,4 procent i forhold til samme periode i 2011.

I de seneste år har Nuance behændigt anvendt sin ekspertise inden for stemmegenkendelse til det nye marked for talegrænseflader. Virksomheden leverer stemmegenkendelsesteknologi til mange andre virksomheder og er almindeligt antaget at levere talekomponenten i Siri.

Tale er ideelt egnet til mobil computing, siger Nuances CTO, dels fordi brugerne ellers har deres hænder og øjne beskæftiget – men også fordi en enkelt talt kommando kan udføre opgaver, der normalt ville kræve et væld af swipes og tryk. Pludselig har man den her nye byggesten, denne nye dimension, som man kan bringe til problemet, siger Sejnoha. Og jeg tror, ​​vi kommer til at designe den grundlæggende moderne enheds UI med det i tankerne.

Inspireret af succesen med stemmegenkendelsessoftware på mobiltelefoner håber Nuance at kunne placere sine talegrænseflader mange flere steder, især fjernsynet og bilen. Begge er populære og modne til innovation.

For at finde et program på tv eller for at planlægge en DVR-optagelse skal seerne i øjeblikket navigere i akavede menuer ved hjælp af en fjernbetjening, der aldrig er designet til at indtaste tekstforespørgsler. Produkter, der skulle gøre det nemmere at finde et program, såsom Google TV, har vist sig at være for komplekse for folk, der bare vil slappe af til en aftens underholdning.

På Nuances forskningslaboratorier demonstrerede Sejnoha software kaldet Dragon TV, der kører på et fjernsyn i en mocked-up stue. Da en kollega sagde, Dragon TV, finde film med Meryl Streep i hovedrollen, scannede grænsefladen øjeblikkeligt gennem kanaloversigter for at vælge flere passende film. En version af denne teknologi findes allerede i nogle fjernsyn, der sælges af Samsung.

Der er mange rygter om, at Apple udvikler sit eget fjernsyn, og det spekuleres i, at Siri vil være dets controller. Idéen er blevet drevet af Walter Isaacsons biografi om Steve Jobs, hvor den afdøde administrerende direktør siges at have hævdet, at han endelig havde løst tv-grænsefladen.

I mellemtiden bruger Sync-underholdningssystemet i Ford-biler allerede Nuances teknologi til at lade chauffører hente anvisninger, vejrinformation og sange. Omkring fire millioner Ford-biler på vejen har Sync med stemmegenkendelse. I sidste uge introducerede Nuance software kaldet Dragon Drive, som vil lade andre bilproducenter tilføje stemmestyringsfunktioner til køretøjer.

Begge disse nye sammenhænge er udfordrende. En grund til, at stemmegrænseflader er blevet populære på smartphones, er, at brugerne taler direkte ind i enhedens mikrofon. For at sikre, at systemet fungerer godt i fjernsyn og biler, hvor der er mere baggrundsstøj, eksperimenterer virksomheden med array-mikrofoner og støjreducerende teknologi.

Nuance stiller en række softwareudviklingssæt til rådighed for alle, der ønsker at inkludere stemmegenkendelsesteknologi i en applikation. Montrue Technologies, et firma baseret i Ashland, Oregon, brugte Nuances mobile medicinske SDK til at udvikle en iPad-app, der lader læger diktere noter.

Det er forbavsende nøjagtigt, siger Brian Phelps, administrerende direktør og medstifter af Montrue og selv en akutlæge. Talen har vendt et hjørne; det er nået til et punkt, hvor vi får en utrolig nøjagtighed lige ud af boksen.

Til gengæld styrker sættene Nuances position og hjælper virksomheden med at forbedre sine stemmegenkendelses- og sprogbehandlingsalgoritmer ved at sende stadig flere stemmedata gennem sine servere. Som MIT's Glass siger, har der længe været et ordsprog i talegenkendelsessamfundet: 'Der er ingen data som mere data'. Nuance siger, at det gemmer dataene i et anonymt format for at beskytte privatlivets fred.

Sejnoha mener, at inden for få år vil mobile stemmegrænseflader være meget mere gennemgribende og kraftfulde. Jeg skulle bare kunne snakke med den uden at røre ved den, siger han. Den vil konstant lytte efter udløsende ord og vil bare gøre det - pop op en kalender, eller klar en tekstbesked eller en browser, der er navigeret til, hvor du vil hen.

Måske vil folk endda tale til computere, de har på, som f.eks. de fotosnapende briller, der er under udvikling hos Google. Kilder hos Nuance siger, at de aktivt planlægger, hvordan taleteknologi skal opbygges for at køre på bærbare computere.

skjule