Pierwszy komputer, który dopasowuje ludzi do rozpoznawania mowy w konwersacji

Po kolei umiejętności, które oddzielają nas od maszyn, wpadają do kolumny maszyn. Najpierw były szachy, potem Niebezpieczeństwo! , potem Go, potem rozpoznawanie obiektów, rozpoznawanie twarzy i ogólnie gry wideo. Możesz zostać wybaczony za myślenie, że ludzie stają się przestarzali.

Ale wypróbuj dowolne oprogramowanie do rozpoznawania głosu, a twoja wiara w ludzkość zostanie szybko przywrócona. Choć dobre i coraz lepsze, systemy te w żadnym wypadku nie są doskonałe. Zamawiasz lody czy mówisz, że krzyczę? Prawdopodobnie jedno i drugie, jeśli rozmawiasz z maszyną.

Dlatego warto wiedzieć, że zwykłe rozpoznawanie mowy konwersacyjnej jest czymś, z czym maszyny wciąż borykają się – że ludzie nadal są mistrzami własnego języka.

Być może trzeba będzie zmienić ten pogląd. Szybko. Dzisiaj Geoff Zweig i koledzy z Microsoft Research w Redmond w stanie Waszyngton twierdzą, że złamali ten rodzaj rozpoznawania mowy i że ich algorytmy uczenia maszynowego po raz pierwszy przewyższają ludzi w rozpoznawaniu zwykłej konwersacyjnej mowy.

Badania nad rozpoznawaniem mowy mają długą historię. W latach pięćdziesiątych wczesne komputery potrafiły rozpoznać do 10 słów wypowiadanych wyraźnie przez jednego mówcę. W latach 80. naukowcy zbudowali maszyny, które potrafiły transkrybować prostą mowę za pomocą słownictwa składającego się z 1000 słów. W latach 90. przeszli do nagrań osoby czytającej dziennik 'Wall Street , a następnie do emisji mowy informacyjnej.

Wszystkie te scenariusze są coraz bardziej ambitne. Ale są też prostsze niż zwykła mowa z powodu różnych ograniczeń. Słownictwo w dziennik 'Wall Street ogranicza się do biznesu i finansów, a zdania są dobrze skonstruowane i poprawne gramatycznie, co niekoniecznie jest prawdą w przypadku zwykłej mowy. Mowa w mediach jest mniej formalna, ale nadal wysoce ustrukturyzowana i wyraźnie wymawiana. Wszystkie te przykłady zostały ostatecznie opanowane przez maszyny.

Ale najtrudniejsze zadanie — transkrypcja zwykłej mowy konwersacyjnej — niezłomnie oparło się atakowi.

Zwykła mowa jest znacznie trudniejsza ze względu na zasób słownictwa, a także z powodu innych dźwięków niż słowa, które ludzie wydają podczas mówienia. Ludzie używają szeregu dźwięków, aby radzić sobie ze zmianą kierunku w rozmowie, rodzaju komunikacji, którą lingwiści nazywają kanałem zwrotnym.

Na przykład, UH Huh służy do potwierdzenia mówcy i zasygnalizowania, że ​​powinien mówić dalej. Ale uh jest wahaniem wskazującym, że mówca ma więcej do powiedzenia, ostrzeżeniem, że będzie więcej. Z kolei zarządzanie, uh odgrywa odwrotną rolę do UH Huh .

Ludzie mają niewielkie trudności z analizowaniem tych dźwięków i zrozumieniem ich roli w rozmowie. Ale maszyny zawsze się z nimi borykały.

W 2000 roku Narodowy Instytut Standardów i Technologii opublikował zestaw danych, aby pomóc naukowcom rozwiązać ten problem. Dane składały się z nagrań zwykłych rozmów telefonicznych. Niektóre z nich były rozmowami między osobami na zadany temat. Reszta to rozmowy przyjaciół i krewnych na dowolny temat.

Większość danych miała pomóc w wytrenowaniu algorytmu uczenia maszynowego do rozpoznawania mowy. Reszta była testem, który maszyny musiały przepisać.

Miarą wydajności była liczba słów, które maszyna pomyliła, a ostatecznym celem było wykonanie zadania lepiej niż ludzie.

Więc jak dobrzy są ludzie? Ogólny konsensus jest taki, że jeśli chodzi o transkrypcję, u ludzi wskaźnik błędów wynosi około 4 procent. Innymi słowy, błędnie przepisują cztery słowa na sto. W przeszłości maszyny nie zbliżały się do tego poziomu.

Teraz Microsoft twierdzi, że w końcu osiągnął ludzką wydajność, choć z ważnym zastrzeżeniem. Badacze z Microsoftu rozpoczęli od ponownej oceny wydajności człowieka w zadaniach transkrypcyjnych. Zrobili to, wysyłając nagrania telefoniczne w zestawie danych NIST do profesjonalnej usługi transkrypcji i mierząc poziom błędów.

Ku ich zaskoczeniu okazało się, że ta usługa miała wskaźnik błędów wynoszący 5,9 procent w przypadku rozmów między osobami na zadany temat i 11,3 procent w przypadku rozmów między przyjaciółmi i członkami rodziny. To znacznie więcej, niż sądzono.

Następnie Zweig i wspólnie zoptymalizowali własne systemy głębokiego uczenia oparte na splotowych sieciach neuronowych o różnej liczbie warstw, z których każda przetwarza inny aspekt mowy. Następnie wykorzystali zestaw danych treningowych, aby nauczyć maszynę rozumienia zwykłej mowy i uwolnić ją w zestawie danych testowych.

Wyniki: ogólnie rzecz biorąc, system rozpoznawania mowy Microsoftu ma podobny wskaźnik błędów jak ludzie, ale rodzaje błędów, które popełnia, są raczej inne.

Najczęstszym błędem popełnianym przez komputer Microsoft jest mylenie dźwięków kanału zwrotnego uh i uh-huh . W przeciwieństwie do tego ludzie rzadko popełniają ten błąd i zamiast tego mają tendencję do mylenia słów takich jak do oraz ten lub uh oraz do .

Zasadniczo nie ma powodu, dla którego maszyny nie można nauczyć rozpoznawania dźwięków w kanale zwrotnym. Zweig i spółka uważają, że trudność, jaką ma z nimi maszyna, ma prawdopodobnie związek ze sposobem, w jaki te dźwięki są oznaczone w zestawie danych treningowych. Mówią, że stosunkowo słaba wydajność systemu automatycznego może być po prostu spowodowana nieporozumieniami w adnotacjach danych treningowych.

Ogólnie jednak maszyna odpowiada wskaźnikowi błędu ludzkiego wynoszącemu 5,9 procent w rozmowach na zadany temat, ale przewyższa ludzi w zadaniu transkrypcji rozmów z przyjaciółmi i rodziną ze wskaźnikiem błędów wynoszącym 11,1 procent. Po raz pierwszy raportujemy wydajność automatycznego rozpoznawania na równi z wydajnością człowieka w tym zadaniu, powiedzmy Zweig i spółka.

To interesująca praca. Microsoft mógł przesunąć słupki bramkowe, rejestrując to zwycięstwo dla swoich maszyn, ale pismo jest wyraźnie na ścianie. Maszyny stają się lepsze od ludzi w rozpoznawaniu mowy. Będzie to miało znaczący wpływ na sposób, w jaki wchodzimy w interakcję z maszynami, zwłaszcza jeśli chodzi o zamawianie lodów.

Nr ref.: arxiv.org/abs/1610.05256 : Osiągnięcie równości między ludźmi w rozpoznawaniu mowy w konwersacji

ukryć