Ki sa egzakteman Rekonesans Lapawòl ye?

Rekonesans lapawòl

Ki sa ou bezwen konnen sou rekonesans lapawòl

Lè n ap pale de rekonesans lapawòl, anjeneral nou vle di yon lojisyèl ki gen kapasite pou rekonèt pawòl ki pale a epi ekri li nan yon pwogram konsa nan fen ou gen tout bagay ki te pale nan yon fòma ekri. Li souvan refere li kòm "lapawòl-a-tèks". Nan kòmansman an, lojisyèl sa a te gen anpil posiblite limite, pou ke ou te kapab konvèti sèlman yon kantite limite nan fraz. Avèk tan, teknoloji ki dèyè lojisyèl rekonesans lapawòl te devlope anpil e kounye a li se pi plis sofistike, pou li ka rekonèt diferan lang ak menm aksan diferan. Me byensir, i ankor annan en travay ki bezwen ganny fer dan sa domenn.

Li enpòtan tou pou remake ke rekonesans lapawòl pa menm ak rekonesans vwa, menm si pafwa moun itilize de tèm yo pou menm bagay la. Yo itilize rekonesans vwa pou idantifikasyon moun k ap pale a epi pou pa sonje sa yo t ap di a.

Yon istwa kout nan rekonesans lapawòl ak teknoloji ki gen rapò

Nan atik sa a, nou pral yon ti tan eksplike istwa a ak teknoloji dèyè ogmantasyon nan rekonesans lapawòl.

Depi dimanch maten byen bonè nan laj dijital la, moun te gen ankourajman pou yon jan kanmenm kapab kominike ak machin. Apre premye kalite òdinatè dijital la te envante, anpil syantis ak enjenyè te eseye nan divès fason pou aplike rekonesans lapawòl nan pwosesis sa a. Yon ane enpòtan nan pwosesis sa a se te 1962, lè IBM te revele Shoebox, yon machin debaz rekonesans lapawòl ki te kapab fè kalkil matematik senp. Si itilizatè a nan proto-òdinatè sa a te pale nan yon mikwofòn, machin sa a te kapab rekonèt jiska sis mo kontwòl tankou "plis" oswa "mwens". Apre yon tan, teknoloji a dèyè sa a devlope ak jodi a li se karakteristik trè komen yo kominike avèk òdinatè pa vwa. Gen anpil motè rekonesans lapawòl pi popilè tankou Siri oswa Alexa. Li enpòtan pou sonje aparèy vwa sa yo depann sou entèlijans atifisyèl (AI) ak aprantisaj machin.

Lè yo mansyone entèlijans atifisyèl (AI), li ta ka son tankou yon bagay ki soti nan yon fim syans fiksyon, men verite a se ke nan jounen jodi a ak laj AI jwe yon gwo wòl nan mond nou an. An reyalite, AI deja trè prezan nan lavi chak jou nou an, paske anpil pwogram ak aplikasyon deja itilize li. Men, se te syans fiksyon nan kòmansman 20yèm syèk la, lè tèm nan parèt. Nan fen ane 1950 yo, konsèp AI yo te vin pi enpòtan e yo te konsantre nan enterè anpil syantis ak filozòf. Nan tan sa a, yon matematisyen Britanik ki trè anbisye ki rele Alan Turing te vini ak yon pwopozisyon ke machin yo ka rezoud pwoblèm ak pran desizyon poukont yo, ki baze sou opinyon enfòmasyon ki disponib. Pwoblèm lan te ke òdinatè pa t 'ankò gen posiblite pou memorize done sa yo, ki se yon etap enpòtan pou devlopman nan entèlijans atifisyèl. Tout sa yo te kapab fè lè sa a se te egzekite kòmandman senp.

Yon lòt non enpòtan nan devlopman AI se John McCarthy, ki premye envante tèm nan "entelijans atifisyèl". McCarthy te deklare ke AI se: "syans ak jeni pou fè machin entèlijan". Definisyon sa a te vin parèt nan yon konferans debaz nan Dartmouth College an 1956. Depi lè sa a, AI te kòmanse devlope nan yon vitès frenetik.

Jodi a, entèlijans atifisyèl nan divès fòm li yo prezan toupatou. Li te grandi nan adopsyon an mas, sitou akòz ogmantasyon nan volim an jeneral nan done ke yo te echanje atravè lemond chak jou. Li se itilize nan algoritm avanse, epi li te bay monte nan amelyorasyon nan depo ak pouvwa informatique. AI yo itilize pou plizyè rezon, pou egzanp tradiksyon, transkripsyon, lapawòl, rekonesans figi ak objè, analiz de imaj medikal, pwosesis lang natirèl, divès kalite filtè rezo sosyal ak sou sa. Sonje match echèk sa ant granmèt Gari Kasparov ak Deep Blue echèk AI?

Aprantisaj machin se yon lòt aplikasyon trè enpòtan nan entèlijans atifisyèl. Nan ti bout tan, li refere a nenpòt sistèm ki gen kapasite nan aprann ak amelyore nan baz done a nan eksperyans pwòp yo. Sa a travay atravè rekonesans nan modèl. Pou sistèm nan fè sa li bezwen yo dwe kapab resevwa fòmasyon. Algorithm nan sistèm nan resevwa yon opinyon nan gwo kantite done, ak nan yon pwen li vin kapab idantifye modèl soti nan done sa yo. Objektif final pwosesis sa a se pèmèt sistèm òdinatè sa yo aprann poukont yo, san yo pa bezwen okenn entèvansyon imen oswa asistans.

Yon lòt bagay ki trè enpòtan pou mansyone ansanm ak aprantisaj machin se aprantisaj pwofon. Youn nan zouti ki pi enpòtan nan pwosesis aprantisaj pwofon yo se sa yo rele rezo neral atifisyèl yo. Yo se algoritm avanse, menm jan ak estrikti a ak fonksyon nan sèvo imen an. Sepandan, yo estatik ak senbolik, kontrèman ak sèvo byolojik ki se plastik ak plis ki baze sou analòg. Nan ti bout tan, aprantisaj pwofon sa a se yon fason trè espesyalize nan aprantisaj machin, prensipalman ki baze sou rezo neral atifisyèl. Objektif aprantisaj pwofon se pou repwodui pwosesis aprantisaj imen. Teknoloji aprantisaj gwo twou san fon se trè itil, epi li jwe yon wòl enpòtan nan divès aparèy ki kontwole pa vwa a - tablèt, televizyon, smartphones, frijidè elatriye. Rezo neral atifisyèl yo itilize tou kòm yon kalite sistèm filtraj ki gen pou objaktif pou predi atik yo. ke itilizatè a ta achte nan tan kap vini an. Teknoloji aprantisaj gwo twou san fon tou trè lajman itilize nan domèn medikal la. Li enpòtan anpil pou chèchè kansè yo, paske li ede otomatikman detekte selil kansè yo.

Koulye a, nou pral tounen nan rekonesans lapawòl. Teknoloji sa a, jan nou mansyone deja, vize idantifye divès mo ak fraz nan lang ki pale a. Apre sa, li konvèti yo nan yon fòma ke machin nan kapab li. Pwogram debaz sèlman idantifye yon ti kantite fraz kle, men kèk lojisyèl rekonesans lapawòl ki pi avanse kapab dechifre tout kalite lapawòl natirèl. Teknoloji rekonesans lapawòl se pratik nan pifò ka yo, men li pafwa rankontre pwoblèm lè bon jan kalite a nan anrejistreman an pa bon ase oswa lè gen bri background ki fè li difisil pou konprann oratè a byen. Li ta ka toujou rankontre kèk pwoblèm lè oratè a gen yon aksan vrèman fò oswa yon dyalèk. Rekonesans lapawòl toujou ap devlope, men li toujou pa byen pafè. Se pa tout bagay sou mo, machin yo toujou pa kapab anpil bagay ke moun ka fè, pou egzanp yo pa kapab dechifre langaj kò oswa ton an nan vwa yon moun. Sepandan, kòm plis done yo dechifre pa algoritm avanse sa yo, kèk nan defi sa yo sanble diminye nan difikilte. Ki moun ki konnen ki sa lavni an pral pote? Li difisil pou predi ki kote rekonesans lapawòl pral fini. Pou egzanp, Google deja gen anpil siksè nan aplikasyon lojisyèl rekonesans lapawòl nan motè Google Translate, ak machin nan toujou ap aprann ak devlope. Petèt yon jou yo pral ranplase tradiktè imen nèt. Oswa petèt pa, sitiyasyon diskou chak jou yo twò konplèks pou nenpòt kalite machin ki pa kapab li pwofondè nanm moun.

Ki lè pou itilize rekonesans lapawòl?

Sèjousi prèske tout moun gen yon smartphone oswa yon tablèt. Rekonesans lapawòl se yon karakteristik komen nan aparèy sa yo. Yo itilize yo pou konvèti diskou yon moun an aksyon. Si ou vle rele grann ou, li ase ke ou bay lòd "rele grann" ak smartphone ou a deja konpoze nimewo a san ou pa bezwen tape nan lis kontak ou yo. Sa a se rekonesans lapawòl. Yon lòt bon egzanp sou li, se Alexa oswa Siri. Yo menm tou yo gen karakteristik sa a difisil-branche nan sistèm yo. Google ba ou tou opsyon pou chèche anyen pa vwa, san yo pa tape anyen.

Petèt ou se kounye a kirye sou ki jan tout bagay sa yo ap travay. Oke, pou li travay, detèktè tankou mikwofòn yo dwe bati nan lojisyèl an pou ke vag son yo nan mo yo pale yo rekonèt, analize ak konvèti nan yon fòma dijital. Lè sa a, enfòmasyon dijital la dwe konpare ak lòt enfòmasyon ki estoke nan kèk sòt de repozitwa mo ak ekspresyon. Lè gen yon match lojisyèl an ka rekonèt kòmandman an epi aji kòmsadwa.

Yon lòt bagay ki bezwen mansyone nan pwen sa a se sa yo rele WER (mo pousantaj erè). Sa a se yon fòmil kote ou divize nimewo erè a ak total mo yo. Se konsa, yo mete l 'nan tèm senp, li gen anpil fè ak presizyon. Objektif la se nan kou gen yon WER ki ba, paske sa vle di ke transkripsyon an nan mo pale a pi egzak.

Rekonesans lapawòl se kounye a nan demann otan ke tout tan. Si ou bezwen tou konvèti mo a pale soti nan ann di yon dosye odyo anrejistre nan tèks, ou ka ale nan Gglot. Nou se yon founisè sèvis transcription ki ofri transkripsyon egzat pou yon pri jis. Se konsa, pa ezite kontakte atravè sit entènèt nou an ki fasil pou itilizatè.