Kommer du ihåg när idén med KITT, den talande bilen från Knight Rider, blåste iväg dig igen? Eller när Blade Runner Eric Decker verbalt beordrade sin dator att förbättra bilder från brottsplatsen? Tanken på att bli förstådd av en dator verkade ganska futuristisk, än mindre en som kunde svara på dina frågor och förstå dina kommandon. Om författaren Graeme John Cole är en bidragsgivare till Rev, skaparen av världens mest exakta automatiska taligenkänningsmotor, Rev.ai. Idag har vi alla KITT i våra fickor. Vi suckar när KITT svarar i telefonen på banken. Personligheten är inte där än, men datorer kan känna igen orden vi talar nästan perfekt. Michael Knight, Knight Rider-hjälten som slog sig ihop med sin smarta bil för att bekämpa brottslighet, var skeptisk till att KITT kunde förstå hans frågor 1982. Men utvecklingen av teknik för röstigenkänning hade pågått sedan 1950-talet. Nedan är hur denna teknik har utvecklats över åren. Och hur våra sätt att använda taligenkänning och text-till-tal-funktioner har utvecklats tillsammans med tekniken.
De första lyssningsdatorerna, 1950-1980
Kraften hos automatisk taligenkänning (ASR) innebär att dess utveckling alltid har förknippats med stora namn. Bell Laboratories ledde vägen med AUDREY 1952. AUDREY-systemet kände igen talade siffror med 97 till 99 % noggrannhet, under noggrant kontrollerade förhållanden. Men enligt James Flanagan, en vetenskapsman och tidigare elektriker vid Bell Labs, satt AUDREY på "ett sex fot högt relästativ, som förbrukade avsevärd ström och uppvisade de otaliga underhållsproblemen som är förknippade med reläernas komplexa kretsar." tomma rör". AUDREY var för dyr och opraktisk, även för speciella användningsfall. IBM följde 1962 med Shoebox, som kände igen siffror och enkla matematiska termer. Under denna tid utvecklade japanska laboratorier vokal- och fonemigenkänning och det första segmentet av tal. Det är en sak för en dator att förstå ett litet antal siffror (dvs. 0 till 9), men Kyoto-universitetets genombrott var att "segmentera" en tallinje så att tekniken kan fungera på en mängd olika talade ljud. På 1970-talet finansierade försvarsdepartementet (DARPA) programmet Speech Understanding Research (SUR). Frukterna av denna forskning inkluderade Carnegie Mellons HARPY taligenkänningssystem. HARPY kände igen meningar från ett ordförråd på 1.011 1980 ord, vilket ger systemet kraften hos en genomsnittlig treåring. När jag var tre var röstigenkänning nu underbar och hade potential, men jag skulle inte vilja ha det på kontoret. HARPY var en av de första som använde Hidden Markov Models (HMM). Denna probabilistiska metod ledde till utvecklingen av ASR på 1980-talet. På 20.000-talet dök faktiskt de första livskraftiga användningsfallen för text-till-tal-verktyg upp med IBM:s experimentella transkriptionssystem, Tangora. Med rätt träning kunde Tangora känna igen och skriva XNUMX XNUMX engelska ord. Systemet var dock fortfarande för tungt för kommersiellt bruk.ASR på konsumentnivå, från 1990-talet till 2010-talet
"Vi tyckte att det var fel att be en maskin att imitera människor", minns Fred Jelinek, en taligenkänningsinnovatör på IBM. "När allt kommer omkring, om en maskin måste röra sig, gör den det med hjul, inte gång. Istället för att uttömmande studera hur människor hör och förstår tal, ville vi hitta ett naturligt sätt för maskinen att göra det. Statistisk analys var nu drivkraften bakom utvecklingen av ASR-teknik. 1990 släpptes Dragon Dictate som den första kommersiella programvaran för taligenkänning. Det kostar 9,000 18,890 €, cirka 2021 1997 € 1992, inklusive inflation. Fram till lanseringen av Dragon Naturally Speaking 1.200 var användarna fortfarande tvungna att pausa mellan varje ord. 1990 introducerade AT&T Bell Labs VRCP-tjänst (Voice Recognition Call Processing) VRCP bearbetar nu cirka 2004 miljarder rösttransaktioner varje år. Men det mesta av taligenkänningsarbetet på 2007-talet skedde under huven. Personlig datoranvändning och det allestädes närvarande nätverket har skapat nya infallsvinklar för innovation. Det var möjligheten som upptäcktes av Mike Cohen, som gick med i Google för att lansera företagets röstteknikinsatser 2010. Google Voice Search (XNUMX) gav röstigenkänningsteknik till massorna. Men den återvann också röstdata från miljontals nätverksanvändare som utbildningsmaterial för maskininlärning. Och den hade Googles bearbetningsvikt för att förbättra kvaliteten. Apple (Siri) och Microsoft (Cortana) följde efter bara för att stanna kvar i spelet. I början av XNUMX-talet ledde framväxten av djupinlärning, återkommande neurala nätverk (RNN) och långtidsminne (LSTM) till ett hyperspatialt språng i ASR-teknikens kapacitet. Detta framåtskridande har också till stor del drivits av framväxten och ökad tillgänglighet av lågkostnadsberäkningar och massiva algoritmiska framsteg.