Do jednorazowego rozpoznawania głosu weź tanie chipy i dodaj prostą sztuczną inteligencję

Flickr | msantos7

Pete Warden chce, żebyś wyrzucił swój sprzęt do rozpoznawania głosu do kosza. A potem kupuj więcej — i więcej, i więcej. Ten inżynier Google chce sprawić, by rozpoznawanie głosu było tanie.

Jego pomysł jest dość prosty: wyciąć sieci neuronowe, które są zwykle używane do przetwarzania dźwięku, aż będą wystarczająco wydajne, aby działać na tanich, lekkich chipach. To, czego chcę, to chip za 50 centów, który może wykonywać proste rozpoznawanie głosu i działać przez rok na baterii monetowej, wyjaśnił podczas zeszłotygodniowego Szczytu Badań nad Armią w Cambridge w Wielkiej Brytanii. Jeszcze nas tam nie ma… ale naprawdę myślę, że to jest to możliwe nawet przy obecnej technologii, którą mamy teraz.

Powiązana historia

Powiązana historia

Przy tak niskiej cenie sprzęt stałby się w rzeczywistości jednorazowy, otwierając zastosowania, które wcześniej były niewyobrażalne. Urządzenia mogą być używane na przykład do budowania tanich lalek, które reagują na twoje dzieci, lub prostej elektroniki domowej, takiej jak lampy aktywowane głosem. Ale Warden twierdzi również, że mogą znaleźć zastosowanie w warunkach przemysłowych, nasłuchując dźwięków, a nie głosów - setki czujników wykrywających charakterystyczne sygnatury dźwiękowe skrzypienia kół w sprzęcie fabrycznym lub świerszczy na polu.

Warden, który kieruje zespołem w Google opracowującym aplikacje mobilne i wbudowane dla narzędzia AI firmy w chmurze o nazwie TensorFlow , zdaje sobie sprawę, że postawił sobie wyzwanie. Zmniejszenie, powiedzmy, sztucznej inteligencji, która zasila asystenta AI Amazona, Alexę, do pracy na prostych chipach zasilanych bateryjnie z częstotliwością zegara zaledwie setek megaherców, jest niewykonalne. Dzieje się tak częściowo dlatego, że Alexa musi interpretować wiele różnych dźwięków, ale także dlatego, że większość sztucznej inteligencji do rozpoznawania głosu korzysta z sieci neuronowych, które są żądne zasobów, dlatego Alexa wysyła swoje przetwarzanie do chmury.

Dlatego ogranicza problem, starając się zidentyfikować tylko kilka przydatnych poleceń — takich jak włączanie, wyłączanie, uruchamianie, zatrzymywanie i tak dalej. Handlował także zwykłymi algorytmami rozpoznawania mowy. Zamiast tego bierze klip audio, kroi go na krótkie fragmenty, a następnie oblicza zawartość częstotliwości każdego z nich. Wyrównuje każdy z wykresów częstotliwości jeden po drugim, aby stworzyć dwuwymiarowy obraz zawartości częstotliwości w funkcji czasu i stosuje algorytmy rozpoznawania wizualnego, aby zidentyfikować charakterystyczny podpis osoby wypowiadającej jedno słowo.

Pierwsze próby zespołu wymagały ośmiu milionów obliczeń, aby przeanalizować jednosekundowy klip audio z 89% dokładnością. To mogłoby działać na nowoczesnym smartfonie i być wystarczająco szybkie, aby być interaktywnym – co jest lepsze niż wysyłanie przetwarzania do chmury – ale nie działałoby dobrze na chipie o niskim poborze mocy. Po wypożyczeniu zespołu sztuczki algorytmiczne które pomagają telefonom z Androidem rozpoznawać frazę OK, Google, system był w stanie przeanalizować sekundę mowy z 85-procentową dokładnością, wykonując zaledwie 750 000 obliczeń.

Zespół ma opublikował swój kod na stronie TensorFlow, z której mogą korzystać inne osoby. Obecnie uruchamia oprogramowanie na chipach, takich jak te używane w smartfonach i Raspberry Pis, ultra-tanim komputerze na karcie. Planuje spróbować, aby działały na mniejszych układach, takich jak te znajdujące się w płytach Arduino.

Tony Robinson, były badacz sztucznej inteligencji na Uniwersytecie w Cambridge w Wielkiej Brytanii, a obecnie dyrektor techniczny w firmie zajmującej się rozpoznawaniem mowy Mowa , mówi, że ambicje Wardena są dobre, i wierzy, że takie niedrogie podejście pomoże w rozpoznawaniu głosu w nadchodzących latach. Ale widzi problem z budowaniem tak ograniczonych AI. Ludzie nie trzymają się skryptu, mówi, wyjaśniając, że użytkownicy raczej nie będą wystarczająco cierpliwi, aby skorzystać z tak bardzo ograniczonego zestawu instrukcji.

Zamiast tego sugeruje, że chipy o nieco większej mocy, które mogą przywołać więcej możliwości językowych, takich jak Asystent Google i Alexa Amazona, mogą być lepiej dostosowane do zastosowań konsumenckich.

ukryć