A mesterséges intelligencia által vezérelt beszédfelismerés új szakaszba lép: Teljes globális megértés

Egy beszédfelismerő startup ambiciózus utat járt be, hogy megtegye az Apple-t, a Google-t és más technológiai óriásokat. Megérti-e a mesterséges intelligencia a világ mind a 7,000 nyelvét?

Egy beszédfelismerő startup most kapott 62 millió dolláros B sorozatú finanszírozást. Hogyan fogják felhasználni a pénzt? Annak érdekében, hogy a számítógép megértse a világ minden hangját.

Ha ez nem tűnik rendkívül ambiciózusnak, akkor nem töltött elég időt azzal, hogy megpróbálja rávenni Sirit egy szöveges üzenet megírására. A beszédfelismerés óriási kihívást jelentett a fejlesztők számára, és ez egy olyan rejtvény, amelyet számos iparágban szorosan figyelemmel kísérnek. A technológia hatással van az ember-gép interfészekre olyan területeken, mint a robotika, az autonóm járművek és a személyi számítástechnika, amelyek mindegyike profitál a természetes beszédet pontosan értelmező számítógépekből. 

A beszédfelismerés tehát egyfajta technológiai belépési pont, piaci igény, amely elősegítheti olyan technológiák fejlesztését, amelyek széles körű visszhangot keltenek, és kiszámíthatatlan következményekkel járnak a gépekkel való interakciónkban. 

Ez méltányossági kérdés is. Nem meglepő, hogy a beszédfelismerés jelenleg a világ népességének egy kis részénél jól működik.

A kihívás nagy része a képzési modell. A legtöbb képzési adatot manuálisan kell osztályozni, ami azt jelenti, hogy a pontosság csak nagyon szűk beszélőcsoporton érhető el (nem meglepő, hogy ez a szűk halmaz pontosan megfelelt a legértékesebb fogyasztóknak). A Speechmatics más megközelítést alkalmaz a reprezentatívabb beszédfelismerés érdekében. 

A Stanford "Faji egyenlőtlenségek a beszédfelismerésben" tanulmányában használt adatkészletek alapján a Speechmatics 82,8%-os általános pontosságot regisztrált az afroamerikai hangok esetében a Google-hoz (68,6%) és az Amazonhoz (68,6%) képest. Ez a pontossági szint a beszédfelismerési hibák 45%-os csökkenésének felel meg - ez egy átlagos mondatban három szónak felel meg.

Motorja több százezer egyéni hangnak van kitéve címkézetlen, reprezentatívabb hangadatok segítségével, amelyek nem igényelnek emberi beavatkozást. Ez segített az angolul beszélőkön túli lefedettség növelésében.

"Az elmúlt néhány évben elért előrehaladásunk miatt elárasztott minket a befektetők érdeklődése a B sorozatú adománygyűjtésünk iránt" - mondja Katy Wigdahl vezérigazgató. "A Speechmatics csapata rendkívül ambiciózus. Valódi örökséggel rendelkezünk a beszédtechnológiában, a világ legtehetségesebb beszéd- és gépi tanulási szakértőivel kombinálva."

Jelenleg a motor 34 nyelvet ért, ami egy kis csepp egy nagyon nagy nyelvi vödörben (világszerte több mint 7,000 nyelvet beszélnek). De a platform lenyűgöző előrelépéseket tett az írásjelek, a számok, a pénznemek és a címek terén, amelyek hagyományosan akadályozzák a beszédfelismerő motorokat.

Mindez nagy érdeklődést váltott ki az Egyesült Királyságban székhellyel rendelkező vállalat iránt. Az olyan vállalatok, mint a 3Play Media, a Veritone, a Deloitte UK és a Vonage, valamint a kormányhivatalok szerte a világon használják a platformot.

Globális céljaival összhangban a Speechmatics székhelye az Egyesült Királyságban található, de irodái vannak Bostonban (USA), Chennaiban (India) és Brnóban (Csehország). A vállalat a befektetést az Egyesült Államokban és az ázsiai-csendes-óceáni térségben való globális terjeszkedés támogatására fogja felhasználni.