Kilka dekad temu, gdybyśmy powiedzieli komuś, że możemy złożyć zamówienie na produkt lub usługę, po prostu rozmawiając z maszyną, ludzie sklasyfikowaliby nas jako dziwaków. Ale dziś jest to jedno z takich szalonych marzeń, które ożyło i spełniło się.
Początek i ewolucja technologii rozpoznawania mowy były tak fascynujące, jak rozwój sztucznej inteligencji (AI) lub uczenia maszynowego (ML). Fakt, że możemy wydawać polecenia głosowe urządzeniom bez widocznych interfejsów, jest rewolucją inżynieryjną, która przynosi różnorodne, zmieniające zasady gry przypadki użycia.
Dla porównania, obecnie aktywnych jest ponad 4.2 miliarda asystentów głosowych , a raporty wskazują, że do końca 2024 roku liczba ta podwoi się do 8.4 miliarda. Co więcej, każdego miesiąca wykonuje się ponad miliard wyszukiwań głosowych. To zmienia sposób, w jaki uzyskujemy dostęp do informacji, ponieważ ponad 50% użytkowników korzysta z wyszukiwania głosowego codziennie.
Płynność i wygoda oferowana przez tę technologię pozwoliły ekspertom w dziedzinie technologii opracować strategie dotyczące wielu zastosowań, w tym:
- Transkrypcja notatek ze spotkań, dokumentów prawnych, filmów, podcastów i innych materiałów
- Automatyzacja obsługi klienta za pomocą IVR – interaktywna odpowiedź głosowa
- Demokratyzowanie nauki języka ojczystego w edukacji
- Nawigacja wspomagana głosem i asystenci samochodowi wykonujący polecenia
- Aplikacje aktywowane głosem w handlu detalicznym do obsługi handlu głosowego i nie tylko
Wraz ze wzrostem popularności i zależności tej technologii, musimy również stawić czoła różnorodnym wyzwaniom związanym z rozpoznawaniem mowy . Od wrodzonej skłonności do rozpoznawania i rozumienia różnych akcentów, po obawy dotyczące prywatności, należy wyeliminować szereg wyzwań i obaw, aby utorować drogę dla płynnego ekosystemu opartego na głosie.
Ostatecznie skuteczność tej technologii wskazuje na wyzwania związane ze szkoleniem sztucznej inteligencji (AI) i gromadzeniem danych głosowych . Przyjrzyjmy się zatem niektórym z najpilniejszych problemów w tym sektorze.
[Przeczytaj także: Kompletny przewodnik po sztucznej inteligencji konwersacyjnej ]
Wyzwania związane z rozpoznawaniem głosu w 2024 r.
Różnorodność języków i akcentów
Praktycznie każde urządzenie jest dziś asystentem głosowym. Od inteligentnych telewizorów i osobistych asystentów po smartfony, a nawet lodówki, każda maszyna ma wbudowany mikrofon i łączy się z internetem, dzięki czemu jest gotowa do rozpoznawania mowy.
Chociaż jest to doskonały przykład globalizacji, należy do niego podchodzić również w kontekście lokalizacji. Piękno języków polega na tym, że istnieją niezliczone akcenty, dialekty, wymowy, szybkość, ton i inne niuanse.
Rozpoznawanie mowy ma problemy ze zrozumieniem tak wielu różnych wypowiedzi wypowiadanych przez populację globalną. Dlatego niektóre urządzenia mają trudności z wyszukiwaniem właściwych informacji, których szuka użytkownik, lub wyszukują nieistotne informacje na podstawie rozumienia głosu.
Wysokie koszty gromadzenia danych
Zbieranie danych od osób ze świata rzeczywistego wiąże się z dużymi inwestycjami. Termin zbieranie danych jest przede wszystkim wszechstronny i często jest rozumiany jedynie mgliście. Kiedy wspominamy o zbieraniu danych i wydatkach z nim związanych, mamy na myśli również wysiłki w zakresie:
- Wymagania dotyczące wolumenu danych mowy są dynamicznie zależne od kosztów nagrywania i masteringu. Poza tym wydatki mogą się różnić w zależności od dziedziny aplikacji, gdzie dane mowy w służbie zdrowia mogą być droższe niż dane głosowe w handlu detalicznym, głównie ze względu na niedobór danych.
- Koszty transkrypcji i adnotacji związane z przekształcaniem surowych danych mowy w dane możliwe do trenowania za pomocą modelu
- Wydatki na czyszczenie danych i kontrolę jakości w celu usunięcia szumów, dźwięków tła, przedłużających się przerw w ciszy, błędów w wypowiedziach i innych
- Koszty związane z rekompensatami dla osób wnoszących wkład
- Problemy ze skalowalnością, w których koszty rosną z czasem i więcej
Czas jako wydatek w zbieraniu danych
Istnieją dwa rodzaje wydatków – pieniądze i ich wartość. O ile koszty wskazują na pieniądze, o tyle wysiłek i czas poświęcony na gromadzenie danych głosowych przyczyniają się do ich wartości. Niezależnie od skali projektu, gromadzenie danych głosowych wiąże się z długimi terminami realizacji.
W przeciwieństwie do gromadzenia danych obrazowych, czas potrzebny na wdrożenie kontroli jakości jest dłuższy. Poza tym istnieje kilka czynników wpływających na każdy plik głosowy z pozytywnym wynikiem testu. Może to być czas potrzebny na:
- Standaryzuj formaty plików, takie jak mp3, ogg, flac i inne
- Oznaczanie zaszumionych i zniekształconych plików audio
- Klasyfikowanie i odrzucanie emocji i tonów w danych głosowych i nie tylko
Wyzwania związane z prywatnością i wrażliwością danych
Jeśli się nad tym zastanowić, głos danej osoby jest częścią jej danych biometrycznych. Podobnie jak rozpoznawanie twarzy i siatkówki służy jako brama do uzyskania dostępu do ograniczonego punktu wejścia, głos danej osoby jest również jej odrębną cechą.
Kiedy jest to tak osobiste, automatycznie przekłada się na prywatność jednostki. Jak więc ustalić poufność danych i nadal nadążać za wymaganiami dotyczącymi wolumenu na dużą skalę?
Jeśli chodzi o wykorzystanie danych klientów, to jest to szara strefa. Użytkownicy nie chcieliby biernie przyczyniać się do procesów optymalizacji wydajności Twojego modelu głosowego bez zachęt. Nawet z zachętami, natrętne techniki mogą również powodować negatywne reakcje.
Mimo że przejrzystość jest kluczowa, nie rozwiązuje ona kwestii wymagań dotyczących ilości danych wymaganych w projektach.
[Przeczytaj także: Automatyczne rozpoznawanie mowy (ASR): wszystko, co początkujący musi wiedzieć ]
Rozwiązanie problemu z pieniędzmi i wydatkami na oś czasu w danych głosowych
Współpracuj z dostawcą danych głosowych
Outsourcing jest najkrótszą odpowiedzią na to wyzwanie. Posiadanie wewnętrznego zespołu do kompilacji, przetwarzania, audytu i szkolenia danych głosowych wydaje się wykonalne, ale jest absolutnie żmudne. Wymaga niezliczonych godzin pracy ludzkiej, co oznacza również, że Twoje zespoły spędzą więcej czasu na wykonywaniu powtarzających się zadań niż na innowacjach i udoskonalaniu wyników. Biorąc pod uwagę etykę i odpowiedzialność, idealnym rozwiązaniem jest zwrócenie się do zaufanego dostawcy usług danych głosowych, takiego jak my – Shaip.
Rozwiązanie problemu zróżnicowania akcentu i dialektu
Niezaprzeczalnym rozwiązaniem tego problemu jest wprowadzenie bogatej różnorodności danych dotyczących mowy, używanych do trenowania modeli AI opartych na głosie. Im szerszy zakres grup etnicznych i dialektów, tym bardziej model jest trenowany, aby rozumieć różnice w dialektach, akcentach i wymowie.
Way Forward
W miarę postępów na drodze do osiągnięcia alternatywnych rzeczywistości opartych na technologii, modele i rozwiązania głosowe będą stawać się coraz bardziej integralne. Najlepszym rozwiązaniem jest skorzystanie z outsourcingu, aby zapewnić wysoką jakość, etykę i masową skalę gotowych do szkolenia danych głosowych po przeprowadzeniu kontroli jakości i audytów.
To jest dokładnie to, w czym my w Shaip jesteśmy najlepsi. Nasz zróżnicowany zakres danych dotyczących mowy zapewnia, że wymagania Twojego projektu są bezproblemowo spełniane i wdrażane perfekcyjnie.
Zachęcamy do kontaktu z nami w celu omówienia Państwa potrzeb.
