Почему 2017 год стал годом голосовых интерфейсов

В последние годы прорывы в автоматическом распознавании речи (ASR) превратили голос из новинки в основной интерфейс для бесчисленных устройств. IEEE Spectrum назвал 2017 год «годом распознавания голоса», а ZDNet на CES сообщил, что голос — это следующий 주요ный компьютерный интерфейс. Обзор современной экосистемы голосовых технологий и движущих их технологий.

Сколько ваших устройств разговаривают с вами?

Голосовая активация стала повсеместной. Каждый флагманский смартфон — iPhone 7, Galaxy S7 — поставляется с постоянно активными голосовыми ассистентами, так же как умные часы, носимые устройства и слуховые гаджеты вроде Apple AirPods и Samsung Gear IconX. Многие устройства лишены традиционного UI, делая голос единственным практичным способом взаимодействия. Новые камеры (например, GoPro Hero 5) принимают голосовые команды для селфи без рук, а автомобильные инфотейнмент-системы сделали голосовое управление аудио нормой для безопасного вождения.

Amazon Echo запустил бум конверсационных ассистентов. Alexa, голосовой сервис Amazon, поставляется с десятками встроенных навыков — шутки, спортивные результаты, кино-викторины — и множеством «пасхальных яиц». Разработчики могут расширить возможности Alexa с помощью Alexa Skills Kit (ASK). Например, энтузиаст превратил свой iRobot Roomba в голосоуправляемый пылесос, создав навык. Alexa также обеспечивает практические сервисы: заказ еды, вызов такси, управление умным домом от Whirlpool, GE и других.

Amazon все еще лидирует на рынке, но конкуренты сокращают разрыв. Facebook наняла Моргана Фримана для озвучки своего AI-ассистента, который Цукерберг строил год и называет «Jarvis». Система может идентифицировать пользователей по голосу, распознавать лица и предоставлять безопасный доступ в дом. В Японии Gatebox предлагает голографического ассистента Азуму Хикари, объединяющего колонку, проектор, камеру и датчики движения для более иммерсивного опыта.

Как работает дальнее голосовое подхвата?

Понимание голосовых команд при воспроизведении фоновой музыки — или через комнату — требует нескольких передовых технологий:

Глубокое обучение

современное ASR. Нейросети, обученные на массированных датасетах, теперь достигают или превосходят человеческую производительность в речевом и визуальном распознавании. После обучения модели работают в реальном времени на железе устройства.

Адаптивная лучевая формировка

повышает надежность, фокусируясь на направлении говорящего. Устройства вроде Echo используют шестиугольную микрофонную решетку (7 микрофонов) для определения времени прибытия сигнала, отслеживания движущегося говорящего и разделения множественных голосов.

Акустическая эхо-компенсация

удаляет собственный звук устройства (музыку, голосовые ответы), чтобы оно все еще могло слушать команды пользователя. Система моделирует генерируемый ею звук — либо анализируя выходные данные, либо используя выделенный микрофон — и вычитает его из входящего сигнала. Это позволяет пользователям прерывать («barge-in») даже во время воспроизведения музыки.

Дополнительные техники снижения эха, такие как деревериберация, фильтруют непредсказуемые отражения от стен и других поверхностей, обеспечивая чистый голосовой сэмпл для ASR-движка.

Голосовые интерфейсы все еще эволюционируют

Хотя 2017 год стал значимой вехой в принятии голосовых технологий, многие вызовы остаются — задержка, контекстная осведомленность, поддержка множественных говорящих и приватность. Я исследованю эти недостатки в будущем посте, так что оставайтесь на связи.

Эран Белаиш — менеджер по продуктовому маркетингу аудио- и голосового портфолио CEVA, разрабатывающий решения от голосового триггера до беспроводного аудио. Когда не погружен в звуковые технологии, он наслаждается фридайвингом в тихих подводных мирах.