Cyfrowy czytnik ust

Rozpoznawanie mowy to od dawna obiecana technologia, która wreszcie zaczyna działać. Ale dzisiejsze najlepsze systemy zwykle zawodzą, gdy głośnik znajduje się w hałaśliwym miejscu. Aby rozwiązać ten problem, naukowcy dodają do tego czytanie z ruchu warg.

Podczas gdy ludzie cały czas polegają na ustach, aby interpretować mowę, czytanie z ruchu warg nie jest dla komputera prostym zadaniem. Po pierwsze, każdy kształt może odpowiadać kilku konkretnym dźwiękom. Co gorsza, ruchy ust zaczynają się nawet 120 milisekund przed wypowiedzeniem dźwięku. Ludzie mogą używać innych wskazówek, takich jak kontekst zdania i mimika, aby przezwyciężyć te trudności, ale do niedawna komputerom brakowało mocy obliczeniowej, aby to zrobić.

Ta historia była częścią naszego wydania z września 2003 r.

• Zobacz resztę numeru
• Subskrybuj

Teraz grupy w Intelu, IBM i innych instytucjach modyfikują programy do przetwarzania języka, aby powiązać każdy dźwięk głosu z kilkoma możliwymi ruchami ust, umożliwiając oprogramowaniu najlepsze odgadnięcie tego, co jest wypowiadane. W testach w hałaśliwych środowiskach dodanie informacji wizualnych zwiększyło dokładność rozpoznawania mowy z 20 do 75 procent, mówi Ara Nefian, starszy badacz w Intel Research w Santa Clara w Kalifornii.

Początkowo jest to prawdopodobnie najbardziej przydatne dla lekarzy i innych osób pracujących w hałaśliwych miejscach, które potrzebują większej dokładności oprogramowania biurowego do dyktowania. Mając na uwadze tę publiczność, IBM buduje małą kamerę w mikrofonie na wysięgniku, który jest dostarczany z istniejącym oprogramowaniem do rozpoznawania mowy. W dalszej części drogi badacze wyobrażają sobie dzień, w którym deska rozdzielcza samochodu może mieć kamerę przyglądającą się Twoim ustom, aby sterować głosem, lub Twój telefon komórkowy może obserwować to, co mówisz.

ukryć