Если мы посмотрим на последнюю волну аппаратных средств с искусственным интеллектом, выходящих на рынок, то увидим, что акцент резко сместился с экранов на постоянно работающее аудио. От зажимов для лацканов и умных подвесок с ИИ до устройств для прослушивания окружающей среды в клинических условиях — настоящая аппаратная революция — это устройства для записи текста в окружающей среде.
Эти устройства пассивно подслушивают ваш день, ваши встречи или обходы, используя ИИ для мгновенной расшифровки, обобщения и извлечения пунктов плана действий. Это высшее достижение в области автоматизированных вычислений: технология, которая запоминает все, чтобы вам не приходилось этого делать. Но превращение хаотичной обстановки реального мира в идеальное, доступное для поиска резюме — одна из самых сложных задач в машинном обучении. И все сводится к обучающим данным.
Проблема «коктейльной вечеринки» в реальном мире
В лабораторных условиях автоматическое распознавание речи (ASR) — это в значительной степени решенная задача. В реальном мире это настоящий кошмар. Программному обеспечению для распознавания речи, надетому на лацкан пиджака или используемому в умных очках, приходится сталкиваться со следующими проблемами:
- Перекрывающиеся реплики: На динамичных совещаниях люди перебивают друг друга.
- Звук дальнего поля: Основной выступающий находится на расстоянии 15 метров, но микрофон расположен у вас на груди.
- Шум окружающей среды: Кофейные кофемолки, больничные коридоры или уличные пробки.
- Спонтанный ритм: Люди используют слова-паразиты («э-э», «типа»), меняют свое мнение посреди предложения и не говорят грамматически безупречными абзацами.
Если ваша модель ИИ обучена только на чистых, записанных вслух сценариях, она будет давать ложные срабатывания или полностью провалится при развертывании в реальных условиях. В таких ответственных областях, как здравоохранение или соблюдение корпоративных норм, некачественная запись речи напрямую приводит к ошибкам транскрипции и оттоку пользователей.
Требования к данным для окружающего ИИ
Для создания действительно работающего инструмента для записи информации командам разработчиков необходимы узкоспециализированные наборы данных. В Surfing AI мы предоставляем именно те базовые данные, которые необходимы для использования искусственного интеллекта в окружающей среде:
- Спонтанные и частично подготовленные речи: Мы запечатлели, как люди на самом деле Обучайте свои модели распознавать естественный ход разговора, прерывания и слова-паразиты.
- Шумные и удаленные среды: Наши наборы данных включают аудиозаписи, сделанные в хаотичных условиях реального мира, что позволяет обучать ваши модели выделять основного говорящего на фоне помех.
- Распознавание и запись речи: Писарь бесполезен, если он не знает. кто Что именно сказал(а)? Наши системы распознавания речи и наборы данных для работы с несколькими говорящими позволяют точно помечать и разделять голоса в переполненном помещении.
- Различные акценты и диалекты мира: Корпоративная среда и сфера здравоохранения разнообразны. Имея в своем распоряжении более 100 000 часов данных на более чем 13 языках и с различными региональными акцентами, ваш секретарь будет работать для всех.
Размеры носимых устройств уменьшаются, но требования к объему данных растут. Если вы создаете следующее поколение голосовых помощников на основе искусственного интеллекта, не допускайте сбоев в работе вашей модели в полевых условиях.
Ознакомьтесь с решениями Surfing AI для обработки речевых данных.
Речь с тегами