AT&T chce, aby Twój głos był odpowiedzialny za aplikacje

W celu uczynienia mowy dominującym sposobem, w jaki ludzie kontrolują technologię, AT&T udostępnia swoją technologię rozpoznawania mowy do użytku innych. Od czerwca inżynierowie oprogramowania mogą skorzystać z oferowanej przez firmę usługi w chmurze, aby każde urządzenie, które może łączyć się z Internetem, reagowało na głos swojego mistrza.

Co?: Demonstracja laboratoryjna pokazuje rozmowę w czasie rzeczywistym między osobą mówiącą po angielsku i hiszpańsku. Wypowiadane słowa były przekładane na tekst, tłumaczone i wypowiadane przez maszynę do słuchacza po obu stronach.

AT&T wierzy, że technologia ta może być ostatecznie wykorzystywana do wszystkiego, od aplikacji na smartfony i gier online po samochody i urządzenia. Chociaż początkowa oferta będzie konwertować tylko mowę na tekst i odpowiednie polecenia, firma rozważa później szerszy zestaw ofert, w tym te, które tłumaczą tekst angielski na sześć innych języków i odwrotnie, a także mogą syntezować przetłumaczoną mowę.

Wierzymy, że jest wielu inteligentnych ludzi, którzy mogą tworzyć aplikacje i usługi, o których nigdy wcześniej nie śniliśmy, mówi Mazin Gilbert, wiceprezes ds. badań nad inteligentnymi systemami w firmie AT&T Labs w Florham Park, New Jersey. Aby skorzystać z tej technologii, programiści piszą kod w swoim oprogramowaniu, aby skorzystać z API (interfejsu programowania aplikacji) określonego przez AT&T. Ten kod powoduje, że aplikacja wysyła mowę do AT&T przez Internet, gdzie jest konwertowana na tekst i zwracana do urządzenia. Nowe interfejsy API zostały ogłoszony zeszły tydzień. AT&T twierdzi, że technologia ta jest w 95 procentach dokładna w przetwarzaniu mowy w języku angielskim i renderowaniu jej jako tekstu. Mówi, że jego dokładność w konwersji znaczenia tekstu angielskiego na iz innych języków waha się od 70 do 80 procent.

Podstawowa technologia mowy oferowana obecnie przez AT&T jest już wykorzystywana w wielu jej własnych aplikacjach, w tym w Aplikacja tłumacza AT&T dla telefonów z systemem Android i iOS oraz mobilne wyszukiwanie katalogu głosowego zapewniane przez Żółte strony . Chcę mieć możliwość korzystania z miliona aplikacji na naszej platformie, a nie setek, jak mamy dzisiaj, mówi Gilbert. Niezależnie od tego, jaki jest twój szalony pomysł — chcemy zapewnić te interfejsy API. Będę szczery: nie wiem, do czego ludzie będą go używać.

Technologia AT&T opiera się na dziesięcioleciach innowacji w Bell Labs przed rozpadem AT&T i późniejszym utworzeniem własnych laboratoriów AT&T zorientowanych na usługi. Jednak firma musi konkurować z bardziej uznanymi dostawcami technologii rozpoznawania mowy, zwłaszcza w dziedzinie smartfonów.

Na przykład, Niuans zapewnia funkcje rozpoznawania mowy wielu firmom, w tym podobno Apple dla osobistego asystenta Siri. Technologia rozpoznawania mowy Google jest oferowana w całym systemie operacyjnym Androida dla smartfonów oraz w dowolnej aplikacji napisanej na urządzenie z Androidem. Microsoft posiada również technologię rozpoznawania mowy, która pojawia się w jej systemie operacyjnym Windows Phone oraz w produktach partnerów takich jak Ford, wraz z systemem Sync do rozrywki samochodowej.

Krish Prabhu, dyrektor generalny AT&T Labs, uważa, że ​​upowszechnienie technologii mowy pozwoli na zwiększenie wydajności i szybszy rozwój komputerów mobilnych. W kontekście świata, w którym w dużej mierze rozwiązaliśmy łączność i osiągnęliśmy problemy — chociaż nadal istnieją problemy — ten wysiłek w zakresie mowy wynika z przekonania, że ​​interfejs do sieci musi być prostszy, powiedział podczas demonstracji w laboratorium w New York w zeszłym tygodniu. Staramy się utorować drogę, aby technologia nie była tym, co nas powstrzymuje.

Interfejsy API AT&T do zamiany mowy na tekst, które mają zostać uruchomione w czerwcu, składają się z siedmiu wersji dostosowanych do konkretnych zastosowań, takich jak dyktowanie wiadomości tekstowych, wyszukiwanie lokalnych firm, odpowiadanie na pytania, przekształcanie wiadomości głosowych na tekst i wykonywanie ogólnego dyktowania. W przyszłości zostaną również dodane specjalne interfejsy API dla gier online i sieci społecznościowych.

Później mogą stać się dostępne interfejsy API, które tłumaczą tekst między angielskim i sześcioma innymi językami: hiszpańskim, francuskim, włoskim, niemieckim, chińskim i japońskim. Inne języki, w tym koreański i arabski, są w przygotowaniu, ale AT&T będzie daleko w tyle za konkurentami. Na przykład Google oferuje już narzędzia dla programistów, które mogą tłumaczyć między dowolną z ponad tysiąca par językowych.

Gilbert twierdzi, że korzystanie ze wszystkich interfejsów API wiązałoby się z opłatą rejestracyjną w wysokości 99 USD w 2012 r., a plany na okres po 2012 r. nie były publiczne. Google pobiera opłaty za własne interfejsy API tłumaczeń.

Poprawa dokładności oprogramowania do rozpoznawania mowy lub tłumaczenia wymaga uzyskania większej liczby przykładowych danych, aby wytrenować podstawowe algorytmy. Aby wspomóc ten proces, AT&T może w końcu uzyskać informacje zwrotne od osób korzystających z produktów, które mają wbudowaną technologię mowy i tłumaczenia. Crowdsourcing umożliwiłby osiągnięcie znacznie wyższych poziomów dokładności, a to z kolei doprowadziłoby do szerszego przyjęcia i znacznie szczęśliwszych użytkowników, mówi Sam Ramji, informatyk, który jest wiceprezesem ds. strategii w firmie Apigee , która buduje platformy API i pracuje nad projektem AT&T.

Ramji uważa, że ​​łatwe udostępnienie dobrej technologii rozpoznawania mowy może powoli doprowadzić do wyginięcia tradycyjnych menu i interfejsów tekstowych. Dzisiejsze interfejsy użytkownika są jak drzewa, po których musimy się poruszać, aby odzwierciedlić strukturę programu. To, co powinno się wydarzyć, to to, że urządzenia analizują polecenia wychodzące z naszych ust, mówi.

ukryć