Τι ακριβώς είναι η Αναγνώριση Λόγου;

Αναγνώρισης ομιλίας

Τι πρέπει να γνωρίζετε για την αναγνώριση ομιλίας

Όταν μιλάμε για αναγνώριση ομιλίας, συνήθως εννοούμε ένα λογισμικό που έχει τη δυνατότητα να αναγνωρίζει τον προφορικό λόγο και να τον καταγράφει σε ένα πρόγραμμα, ώστε στο τέλος να έχετε ό,τι έχει ειπωθεί σε γραπτή μορφή. Συχνά αναφέρεται επίσης ως «ομιλία σε κείμενο». Στην αρχή αυτό το λογισμικό είχε πολύ περιορισμένες δυνατότητες, έτσι ώστε να μπορείτε να μετατρέψετε μόνο έναν περιορισμένο αριθμό φράσεων. Με τον καιρό, η τεχνολογία πίσω από το λογισμικό αναγνώρισης ομιλίας έχει αναπτυχθεί πολύ και τώρα είναι πολύ πιο εξελιγμένη, ώστε να μπορεί να αναγνωρίζει διαφορετικές γλώσσες και ακόμη και διαφορετικές προφορές. Αλλά φυσικά, υπάρχει ακόμη δουλειά που πρέπει να γίνει σε αυτόν τον τομέα.

Είναι επίσης σημαντικό να παρατηρήσετε ότι η αναγνώριση ομιλίας δεν είναι ίδια με την αναγνώριση φωνής, παρόλο που μερικές φορές οι άνθρωποι χρησιμοποιούν τους δύο όρους για το ίδιο πράγμα. Η αναγνώριση φωνής χρησιμοποιείται για την αναγνώριση του ατόμου που μιλά και όχι για να σημειώσει αυτό που ειπώθηκε.

Μια σύντομη ιστορία της αναγνώρισης ομιλίας και της σχετικής τεχνολογίας

Σε αυτό το άρθρο, θα εξηγήσουμε εν συντομία την ιστορία και την τεχνολογία πίσω από την άνοδο της αναγνώρισης ομιλίας.

Από την αυγή της ψηφιακής εποχής, οι άνθρωποι είχαν την επιθυμία να μπορούν με κάποιο τρόπο να επικοινωνούν με τις μηχανές. Αφού εφευρέθηκε το πρώτο είδος ψηφιακού υπολογιστή, πολλοί επιστήμονες και μηχανικοί προσπάθησαν με διάφορους τρόπους να εφαρμόσουν με κάποιο τρόπο την αναγνώριση ομιλίας σε αυτή τη διαδικασία. Ένα κρίσιμο έτος αυτής της διαδικασίας ήταν το 1962, όταν η IBM αποκάλυψε το Shoebox, μια βασική μηχανή αναγνώρισης ομιλίας που ήταν σε θέση να κάνει απλούς μαθηματικούς υπολογισμούς. Εάν ο χρήστης αυτού του πρωτο-υπολογιστή μιλούσε σε μικρόφωνο, αυτό το μηχάνημα μπορούσε να αναγνωρίσει έως και έξι λέξεις ελέγχου όπως "συν" ή "πλην". Με την πάροδο του χρόνου, η τεχνολογία πίσω από αυτό αναπτύχθηκε και σήμερα είναι πολύ κοινό χαρακτηριστικό η αλληλεπίδραση με τους υπολογιστές μέσω φωνής. Υπάρχουν πολλές διάσημες μηχανές αναγνώρισης ομιλίας όπως η Siri ή η Alexa. Είναι σημαντικό να σημειωθεί ότι αυτές οι φωνητικές συσκευές εξαρτώνται από την τεχνητή νοημοσύνη (AI) και τη μηχανική μάθηση.

Όταν αναφέρεται η τεχνητή νοημοσύνη (AI), μπορεί να ακούγεται σαν κάτι από ταινία επιστημονικής φαντασίας, αλλά η αλήθεια είναι ότι στη σημερινή εποχή η τεχνητή νοημοσύνη παίζει σπουδαίο ρόλο στον κόσμο μας. Στην πραγματικότητα, η τεχνητή νοημοσύνη είναι ήδη πολύ παρούσα στην καθημερινότητά μας, αφού πολλά προγράμματα και εφαρμογές τη χρησιμοποιούν ήδη. Ήταν όμως επιστημονική φαντασία στις αρχές του 20ου αιώνα, όταν εμφανίστηκε ο όρος. Στα τέλη του 1950 οι έννοιες της τεχνητής νοημοσύνης έγιναν πιο εμφανείς και ήταν το επίκεντρο του ενδιαφέροντος πολλών επιστημόνων και φιλοσόφων. Εκείνη την εποχή, ένας πολύ φιλόδοξος Βρετανός μαθηματικός που ονομαζόταν Alan Turing είχε μια πρόταση ότι οι μηχανές μπορούν να λύσουν προβλήματα και να λάβουν αποφάσεις μόνες τους, με βάση την εισαγωγή των διαθέσιμων πληροφοριών. Το πρόβλημα ήταν ότι οι υπολογιστές δεν είχαν ακόμη τη δυνατότητα απομνημόνευσης αυτών των δεδομένων, κάτι που είναι ένα κρίσιμο βήμα για την ανάπτυξη της τεχνητής νοημοσύνης. Το μόνο που μπορούσαν να κάνουν τότε ήταν να εκτελούν απλές εντολές.

Ένα άλλο σημαντικό όνομα στην ανάπτυξη της τεχνητής νοημοσύνης είναι ο John McCarthy, ο οποίος επινόησε για πρώτη φορά τον ίδιο τον όρο «τεχνητή νοημοσύνη». Ο McCarthy δήλωσε ότι η τεχνητή νοημοσύνη είναι: «η επιστήμη και η μηχανική της κατασκευής ευφυών μηχανών». Αυτός ο ορισμός ήρθε στο φως σε ένα σημαντικό συνέδριο στο Dartmouth College το 1956. Από τότε η τεχνητή νοημοσύνη άρχισε να αναπτύσσεται με φρενήρεις ρυθμούς.

Σήμερα, η τεχνητή νοημοσύνη στις διάφορες μορφές της είναι παρούσα παντού. Έχει εξελιχθεί σε μαζική υιοθέτηση, κυρίως λόγω της αύξησης του συνολικού όγκου δεδομένων που ανταλλάσσονται παγκοσμίως καθημερινά. Χρησιμοποιείται σε προηγμένους αλγόριθμους και οδήγησε σε βελτιώσεις στην αποθήκευση και την υπολογιστική ισχύ. Το AI χρησιμοποιείται για πολλούς σκοπούς, για παράδειγμα μετάφραση, μεταγραφή, ομιλία, αναγνώριση προσώπου και αντικειμένων, ανάλυση ιατρικών εικόνων, επεξεργασία φυσικών γλωσσών, διάφορα φίλτρα κοινωνικών δικτύων και ούτω καθεξής. Θυμάστε εκείνο τον αγώνα σκακιού μεταξύ του γκρανμάστερ Γκάρι Κασπάροφ και του Deep Blue chess AI;

Η μηχανική μάθηση είναι μια άλλη πολύ σημαντική εφαρμογή της τεχνητής νοημοσύνης. Εν ολίγοις, αναφέρεται σε όλα τα συστήματα που έχουν τη δυνατότητα να μαθαίνουν και να βελτιώνονται από τη βάση δεδομένων της δικής τους εμπειρίας. Αυτό λειτουργεί μέσω της αναγνώρισης μοτίβων. Για να το κάνει αυτό το σύστημα πρέπει να μπορεί να εκπαιδευτεί. Ο αλγόριθμος του συστήματος λαμβάνει μια είσοδο μεγάλων ποσοτήτων δεδομένων και σε ένα σημείο καθίσταται ικανός να αναγνωρίσει μοτίβα από αυτά τα δεδομένα. Ο τελικός στόχος αυτής της διαδικασίας είναι να επιτρέψει σε αυτά τα συστήματα υπολογιστών να μαθαίνουν ανεξάρτητα, χωρίς την ανάγκη ανθρώπινης παρέμβασης ή βοήθειας.

Ένα άλλο πράγμα που είναι πολύ σημαντικό να αναφέρουμε παράλληλα με τη μηχανική μάθηση είναι η βαθιά μάθηση. Ένα από τα πιο σημαντικά εργαλεία στη διαδικασία της βαθιάς μάθησης είναι τα λεγόμενα τεχνητά νευρωνικά δίκτυα. Είναι προηγμένοι αλγόριθμοι, παρόμοιοι με τη δομή και τη λειτουργία του ανθρώπινου εγκεφάλου. Ωστόσο, είναι στατικοί και συμβολικοί, σε αντίθεση με τον βιολογικό εγκέφαλο που είναι πλαστικός και βασίζεται περισσότερο σε αναλογικά. Με λίγα λόγια, αυτή η βαθιά μάθηση είναι ένας πολύ εξειδικευμένος τρόπος μηχανικής μάθησης, βασισμένος κυρίως σε τεχνητά νευρωνικά δίκτυα. Ο στόχος της βαθιάς μάθησης είναι να αναπαράγει στενά τις ανθρώπινες διαδικασίες μάθησης. Η τεχνολογία Deep Learning είναι πολύ χρήσιμη και παίζει σημαντικό ρόλο σε διάφορες συσκευές που ελέγχονται από τη φωνή – tablet, τηλεοράσεις, smartphone, ψυγεία κ.λπ. Τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούνται επίσης ως ένα είδος συστήματος φιλτραρίσματος που στοχεύει στην πρόβλεψη των στοιχείων που θα αγόραζε ο χρήστης στο μέλλον. Η τεχνολογία Deep Learning χρησιμοποιείται επίσης ευρέως στον ιατρικό τομέα. Είναι πολύ σημαντικό για τους ερευνητές του καρκίνου, γιατί βοηθά στην αυτόματη ανίχνευση καρκινικών κυττάρων.

Τώρα θα επανέλθουμε στην αναγνώριση ομιλίας. Αυτή η τεχνολογία, όπως αναφέραμε ήδη, στοχεύει στον εντοπισμό διαφόρων λέξεων και φράσεων της προφορικής γλώσσας. Στη συνέχεια τα μετατρέπει σε μορφή που μπορεί να διαβάσει το μηχάνημα. Τα βασικά προγράμματα αναγνωρίζουν μόνο έναν μικρό αριθμό φράσεων κλειδιά, αλλά κάποιο πιο προηγμένο λογισμικό αναγνώρισης ομιλίας είναι σε θέση να αποκρυπτογραφήσει όλα τα είδη φυσικής ομιλίας. Η τεχνολογία αναγνώρισης ομιλίας είναι βολική στις περισσότερες περιπτώσεις, αλλά μερικές φορές αντιμετωπίζει προβλήματα όταν η ποιότητα της εγγραφής δεν είναι αρκετά καλή ή όταν υπάρχουν θόρυβοι στο φόντο που δυσκολεύουν τη σωστή κατανόηση του ηχείου. Μπορεί επίσης να αντιμετωπίζει κάποια προβλήματα όταν ο ομιλητής έχει μια πραγματικά έντονη προφορά ή μια διάλεκτο. Η αναγνώριση ομιλίας αναπτύσσεται συνεχώς, αλλά εξακολουθεί να μην είναι τέλεια. Δεν είναι όλα τα λόγια, οι μηχανές δεν είναι ακόμα ικανές για πολλά πράγματα που μπορούν να κάνουν οι άνθρωποι, για παράδειγμα δεν είναι σε θέση να αποκρυπτογραφήσουν τη γλώσσα του σώματος ή τον τόνο της φωνής κάποιου. Ωστόσο, καθώς περισσότερα δεδομένα αποκρυπτογραφούνται από αυτούς τους προηγμένους αλγόριθμους, ορισμένες από αυτές τις προκλήσεις φαίνεται να μειώνονται σε δυσκολία. Ποιος ξέρει τι θα φέρει το μέλλον; Είναι δύσκολο να προβλέψουμε πού θα καταλήξει η αναγνώριση ομιλίας. Για παράδειγμα, η Google έχει ήδη μεγάλη επιτυχία στην εφαρμογή λογισμικού αναγνώρισης ομιλίας στις μηχανές Google Translate και το μηχάνημα μαθαίνει και αναπτύσσεται συνεχώς. Ίσως μια μέρα αντικαταστήσουν τελείως τους ανθρώπινους μεταφραστές. Ή ίσως όχι, οι καθημερινές καταστάσεις ομιλίας είναι πολύ περίπλοκες για κάθε είδους μηχανή που δεν είναι σε θέση να διαβάσει το βάθος της ανθρώπινης ψυχής.

Πότε να χρησιμοποιήσετε την αναγνώριση ομιλίας;

Σήμερα σχεδόν όλοι έχουν ένα smartphone ή ένα tablet. Η αναγνώριση ομιλίας είναι ένα κοινό χαρακτηριστικό σε αυτές τις συσκευές. Χρησιμοποιούνται για τη μετατροπή της ομιλίας ενός ατόμου σε πράξη. Αν θέλετε να καλέσετε τη γιαγιά σας, αρκεί να δώσετε εντολή «καλέστε τη γιαγιά» και το smartphone σας καλεί ήδη τον αριθμό χωρίς να χρειάζεται να πληκτρολογήσετε τις λίστες επαφών σας. Αυτή είναι η αναγνώριση ομιλίας. Ένα άλλο καλό παράδειγμα είναι η Alexa ή η Siri. Έχουν επίσης αυτό το χαρακτηριστικό ενσύρματο στο σύστημά τους. Η Google σάς δίνει επίσης την επιλογή να αναζητήσετε οτιδήποτε φωνητικά, χωρίς να πληκτρολογήσετε τίποτα.

Ίσως τώρα να είστε περίεργοι για το πώς λειτουργεί όλο αυτό. Λοιπόν, για να λειτουργήσει, πρέπει να ενσωματωθούν αισθητήρες όπως τα μικρόφωνα στο λογισμικό έτσι ώστε τα ηχητικά κύματα των προφορικών λέξεων να αναγνωρίζονται, να αναλύονται και να μετατρέπονται σε ψηφιακή μορφή. Στη συνέχεια, οι ψηφιακές πληροφορίες πρέπει να συγκριθούν με άλλες πληροφορίες που είναι αποθηκευμένες σε κάποιο είδος αποθήκης λέξεων και εκφράσεων. Όταν υπάρχει αντιστοιχία, το λογισμικό μπορεί να αναγνωρίσει την εντολή και να ενεργήσει ανάλογα.

Ένα ακόμη πράγμα που πρέπει να αναφερθεί σε αυτό το σημείο είναι το λεγόμενο WER (word error rate). Αυτός είναι ένας τύπος στον οποίο διαιρείτε τον αριθμό σφάλματος με το σύνολο των λέξεων. Άρα, για να το θέσω με απλά λόγια, έχει να κάνει πολύ με την ακρίβεια. Ο στόχος είναι φυσικά να έχουμε χαμηλό WER, γιατί αυτό σημαίνει ότι η μεταγραφή του προφορικού λόγου είναι πιο ακριβής.

Η αναγνώριση ομιλίας είναι πλέον περιζήτητη όσο ποτέ. Εάν πρέπει επίσης να μετατρέψετε τον προφορικό λόγο από ας πούμε ένα ηχογραφημένο αρχείο ήχου σε κείμενο, μπορείτε να μεταβείτε στο Gglot. Είμαστε ένας πάροχος υπηρεσιών μεταγραφής που προσφέρει ακριβείς μεταγραφές σε δίκαιη τιμή. Επομένως, μη διστάσετε να έρθετε σε επαφή μέσω του φιλικού προς τον χρήστη ιστότοπού μας.