Kai prie\u0161 keliolika met\u0173 pirm\u0105 kart\u0105 pama\u010diau film\u0105, kuriame \u017emon\u0117s tiesiog kalb\u0117jo su kompiuteriais, tai atrod\u0117 kaip gryna fantastika. Dabar kiekvien\u0105 dien\u0105 \u0161nekuosi su savo telefonu, pra\u0161au virtualios asistent\u0117s paleisti muzik\u0105 ar nustatyti priminim\u0105. Bet kaip i\u0161 ties\u0173 veikia \u0161i technologija, kuri leid\u017eia ma\u0161inoms suprasti m\u016bs\u0173 \u017eod\u017eius?<\/p>\n
Balso valdymo sistem\u0173 pagrindas \u2013 kalbos atpa\u017einimas \u2013 tai sud\u0117tingas procesas, kurio metu garsinis signalas paver\u010diamas tekstiniu \u012fra\u0161u. Skamba paprasta, bet tikrov\u0117je tai vienas i\u0161 sud\u0117tingiausi\u0173 dirbtinio intelekto u\u017edavini\u0173. \u017dmogaus kalba yra ne\u012ftik\u0117tinai \u012fvairi \u2013 skirtingi akcentai, intonacijos, greitis, foniniai triuk\u0161mai, \u017eargonai. O dar prid\u0117kime prie to emocijas, kurios kei\u010dia balso ton\u0105 ir intensyvum\u0105.<\/p>\n
Pirmieji bandymai sukurti kalb\u0105 atpa\u017e\u012fstan\u010dias sistemas prasid\u0117jo dar 1950-aisiais, kai mokslininkai Bell Labs suk\u016br\u0117 \u012frengin\u012f, galint\u012f atpa\u017einti skai\u010dius nuo nulio iki devyni\u0173. Tai buvo revoliucija, nors sistema veik\u0117 tik su vieno \u017emogaus balsu ir reikalavo labai ai\u0161kaus tarimo. \u0160iandien m\u016bs\u0173 telefonai supranta milijonus \u017emoni\u0173, kalban\u010di\u0173 \u0161imtais skirting\u0173 kalb\u0173 ir dialekt\u0173.<\/p>\n
Viskas prasideda nuo mikrofono. Kai kalbame, m\u016bs\u0173 balso stygos sukuria oro virpesius \u2013 garso bangas. Mikrofonas \u0161ias mechanines bangas paver\u010dia elektriniais signalais, kuriuos kompiuteris gali apdoroti. \u010cia \u012fvyksta pirmasis svarbus \u017eingsnis \u2013 analoginis signalas tampa skaitmeniniu.<\/p>\n
Bet neu\u017etenka tiesiog \u012fra\u0161yti garso. Sistema turi i\u0161skaidyti \u0161\u012f signal\u0105 \u012f ma\u017eesnius gabal\u0117lius \u2013 paprastai po 10-30 milisekund\u017ei\u0173. Kiekvienas toks fragmentas analizuojamas atskirai. \u012esivaizduokite, kad j\u016bs\u0173 sakinyje „Kokia \u0161iandien temperat\u016bra” yra apie 100-150 toki\u0173 ma\u017ey\u010di\u0173 fragment\u0173, kuriuos sistema turi apdoroti beveik akimirksniu.<\/p>\n
Toliau vyksta tai, k\u0105 specialistai vadina po\u017eymi\u0173 i\u0161skyrimu. Sistema ie\u0161ko specifini\u0173 garso charakteristik\u0173 \u2013 da\u017enio, intensyvumo, trukm\u0117s. \u010cia naudojami sud\u0117tingi matematiniai algoritmai, pavyzd\u017eiui, Furj\u0117 transformacija, kuri garso bang\u0105 i\u0161skaido \u012f atskirus da\u017enius. Tai pana\u0161u \u012f tai, kaip prizm\u0117 i\u0161skaido balt\u0105 \u0161vies\u0105 \u012f vaivoryk\u0161t\u0117s spalvas.<\/p>\n
\u0160iuolaikin\u0117s kalbos atpa\u017einimo sistemos remiasi dirbtiniais neuroniniais tinklais \u2013 programomis, kurios veikia pana\u0161iai kaip \u017emogaus smegenys. \u0160ie tinklai n\u0117ra i\u0161 anksto u\u017eprogramuoti atpa\u017einti konkre\u010dius \u017eod\u017eius. Vietoj to jie mokosi i\u0161 pavyzd\u017ei\u0173.<\/p>\n
\u012esivaizduokite, kad turite parodyti sistemai milijonus garso \u012fra\u0161\u0173 su atitinkamais tekstais. Sistema pradeda pasteb\u0117ti d\u0117sningumus \u2013 kokie garso po\u017eymiai atitinka kokias raides ar garsus. Pavyzd\u017eiui, ji i\u0161moksta, kad tam tikras da\u017eni\u0173 derinys da\u017eniausiai rei\u0161kia raid\u0119 „s”, o kitas \u2013 „a”. Po t\u016bkstan\u010di\u0173 toki\u0173 pavyzd\u017ei\u0173 sistema tampa vis tikslesn\u0117.<\/p>\n
Ypa\u010d efektyv\u016bs yra rekurentiniai neuroniniai tinklai (RNN) ir j\u0173 patobulintos versijos \u2013 LSTM (Long Short-Term Memory) tinklai. Jie puikiai tinka kalbos atpa\u017einimui, nes gali „prisiminti” ankstesnius \u017eod\u017eius ir kontekst\u0105. Juk sakinyje „a\u0161 noriu valgyti obuol\u012f” \u017eodis „obuol\u012f” turi prasm\u0119 tik kontekste su ankstesniais \u017eod\u017eiais.<\/p>\n
Naujausia karta \u2013 transformeri\u0173 architekt\u016bra, kuri leid\u017eia sistemai dar geriau suprasti kontekst\u0105 ir net nusp\u0117ti, koks \u017eodis tur\u0117t\u0173 sekti. B\u016btent \u0161i technologija pad\u0117jo pasiekti \u0161uol\u012f kokyb\u0117je pastaraisiais metais.<\/p>\n
Bet neu\u017etenka tik atpa\u017einti garsus. Sistema turi \u017einoti, kokie \u017eod\u017eiai egzistuoja kalboje ir kaip jie derinami. \u010cia \u012f pagalb\u0105 ateina kalbos modeliai \u2013 did\u017eiul\u0117s duomen\u0173 baz\u0117s, kuriose saugoma informacija apie \u017eod\u017eius, j\u0173 da\u017enum\u0105 ir \u012fprastus derinius.<\/p>\n
Pavyzd\u017eiui, jei sistema girdi ka\u017ek\u0105 pana\u0161aus \u012f „a\u0161 noriu kavos”, kalbos modelis padeda suprasti, kad tai tik\u0117tina fraz\u0117. O jei sistema netiksliai i\u0161girdo ir man\u0117, kad galb\u016bt buvo pasakyta „a\u0161 noriu kafos”, kalbos modelis pasakys: „Palaukite, \u017eodis ‘kafos’ lietuvi\u0173 kalboje n\u0117ra \u012fprastas, grei\u010diausiai tai buvo ‘kavos’.”<\/p>\n
Geri kalbos modeliai sukuriami analizuojant mil\u017eini\u0161kas tekst\u0173 kolekcijas \u2013 knygas, straipsnius, pokalbius. Kuo daugiau duomen\u0173, tuo protingesn\u0117 sistema. Tod\u0117l populiari\u0173 kalb\u0173, toki\u0173 kaip angl\u0173 ar ispan\u0173, atpa\u017einimas veikia geriau nei ma\u017eiau paplitusi\u0173 kalb\u0173.<\/p>\n
Akustinis modelis \u2013 tai sistemos \u017einios apie tai, kaip skirtingi garsai skamba. Jis turi suprasti, kad raid\u0117 „a” gali b\u016bti tariama skirtingai priklausomai nuo konteksto, akcento ar net nuotaikos.<\/p>\n
Lietuvi\u0173 kalboje turime ilguosius ir trumpuosius balsius, o tai sukelia papildom\u0173 i\u0161\u0161\u016bki\u0173. Sistema turi atskirti „k\u00e1ltas” (\u0161altas) nuo „kalt\u00e0s” (kaltas). Tai reikalauja labai tikslaus laiko ir intonacijos analiz\u0117s.<\/p>\n
Dar sud\u0117tingiau tampa, kai \u017emon\u0117s kalba greitai, susiliedami \u017eod\u017eius. Vietoj „a\u0161 esu” galime pasakyti „a\u0161su”, ir sistema turi suprasti, kad tai du atskiri \u017eod\u017eiai. Arba prie\u0161ingai \u2013 atpa\u017einti, kad „gal b\u016bt” yra du \u017eod\u017eiai, nors skamba beveik kaip vienas.<\/p>\n
Modernios sistemos naudoja kontekstui jautrius akustinius modelius, kurie prisitaiko prie kalban\u010diojo. Jei prad\u0117jote pokalb\u012f su stipriu \u017eemaiti\u0161ku akcentu, sistema po keli\u0173 sakini\u0173 pradeda geriau jus suprasti, nes adaptuojasi prie j\u016bs\u0173 tarimo ypatnybi\u0173.<\/p>\n
Realyb\u0117je retai kalbame idealiai tyloje. Fone groja muzika, \u016b\u017eia eismas, loja \u0161uo, \u0161neka kiti \u017emon\u0117s. Viena did\u017eiausi\u0173 problem\u0173 \u2013 kaip i\u0161skirti norim\u0105 bals\u0105 i\u0161 viso \u0161io chaoso.<\/p>\n
\u0160iuolaikin\u0117s sistemos naudoja pa\u017eangius triuk\u0161m\u0173 slopinimo algoritmus. Jie analizuoja garso signal\u0105 ir bando atskirti, kas yra pastovus fonas (pavyzd\u017eiui, oro kondicionieriaus \u016b\u017eesys), o kas \u2013 kintantis balso signalas. Pastov\u016bs triuk\u0161mai gali b\u016bti atimami i\u0161 bendro signalo, palikant tik bals\u0105.<\/p>\n
Dar efektyvesn\u0117 technika \u2013 mikrofon\u0173 masyv\u0173 naudojimas. J\u016bs\u0173 i\u0161manusis garsiakalbis turi ne vien\u0105, o kelis mikrofonus skirtingose vietose. Kai kalbate, j\u016bs\u0173 balsas pasiekia kiekvien\u0105 mikrofon\u0105 \u0161iek tiek skirtingu laiku. Sistema gali panaudoti \u0161iuos laiko skirtumus, kad nustatyt\u0173, i\u0161 kurios krypties ateina balsas, ir susitelkti b\u016btent \u012f t\u0105 krypt\u012f, ignoruojant garsus i\u0161 kit\u0173 pusi\u0173.<\/p>\n
Kai kalbate su savo telefonu ar i\u0161maniuoju garsiakalbiu, da\u017eniausiai vyksta \u0161tai kas: j\u016bs\u0173 \u012frenginys \u012fra\u0161o gars\u0105, suspaud\u017eia j\u012f ir siun\u010dia \u012f galingus serverius debesyje. Ten vyksta pagrindinis atpa\u017einimas, o rezultatas \u2013 tekstas \u2013 gr\u012f\u017eta atgal \u012f j\u016bs\u0173 \u012frengin\u012f. Viskas vyksta per sekundes dalis.<\/p>\n
Kod\u0117l taip? Nes kalbos atpa\u017einimas reikalauja mil\u017eini\u0161kos skai\u010diavimo galios. J\u016bs\u0173 telefone tiesiog n\u0117ra tiek resurs\u0173, kad gal\u0117t\u0173 paleisti visus tuos sud\u0117tingus neuroninius tinklus ir kalbos modelius. Be to, debesyje esantys modeliai gali b\u016bti nuolat atnaujinami ir tobulinami be joki\u0173 veiksm\u0173 i\u0161 j\u016bs\u0173 pus\u0117s.<\/p>\n
Ta\u010diau yra ir tr\u016bkum\u0173. Reikia interneto ry\u0161io, o tai kelia privatumo klausim\u0173 \u2013 j\u016bs\u0173 balso \u012fra\u0161ai keliauja \u012f ka\u017ekieno serverius. Tod\u0117l pastaraisiais metais vis populiaresn\u0117s tampa vietinio apdorojimo sistemos. Naujausi telefonai turi specialius dirbtinio intelekto procesorius, kurie gali atlikti pagrindin\u012f kalbos atpa\u017einim\u0105 vietoje, nei\u0161siun\u010diant duomen\u0173 \u012f internet\u0105.<\/p>\n
Nors technologija nu\u0117jo toli, vis dar yra nema\u017eai problem\u0173. Viena did\u017eiausi\u0173 \u2013 konteksto supratimas. Sistema gali puikiai atpa\u017einti \u017eod\u017eius, bet nesuvokti, k\u0105 jie rei\u0161kia konkre\u010dioje situacijoje. Jei pasakysite „Atidaryk lang\u0105”, ji turi suprasti, ar kalbate apie nar\u0161ykl\u0117s lang\u0105 kompiuteryje, ar norite, kad i\u0161manusis namas atidaryt\u0173 fizin\u012f lang\u0105.<\/p>\n
Emocij\u0173 atpa\u017einimas \u2013 kita sritis, kur dar daug darbo. Sistema tur\u0117t\u0173 suprasti, ar kalbate rimtai, ironi\u0161kai, pykstate ar juokaujate. Tai ypa\u010d svarbu virtuali\u0173 asistent\u0173 atveju, kad jie gal\u0117t\u0173 tinkamai reaguoti.<\/p>\n
Daugiakalbyst\u0117 taip pat kelia i\u0161\u0161\u016bki\u0173. Daugelis \u017emoni\u0173 kasdien\u0117je kalboje mai\u0161o kelias kalbas \u2013 pavyzd\u017eiui, lietuvi\u0161kai kalb\u0117dami \u012fterpia angli\u0161kus terminus. Sistema turi mok\u0117ti skland\u017eiai persijungin\u0117ti tarp kalb\u0173 net vieno sakinio viduje.<\/p>\n
Ateityje tikimasi, kad kalbos atpa\u017einimas taps dar tikslesnis ir greitesnis. Jau dabar kuriamos sistemos, galin\u010dios atpa\u017einti ne tik \u017eod\u017eius, bet ir paralingvistinius elementus \u2013 pauz\u0117s, dvejon\u0117s, kv\u0117pavimo garsus. Tai leist\u0173 geriau suprasti kalban\u010diojo b\u016bsen\u0105 ir ketinimus.<\/p>\n
Gr\u012f\u017ekime prie praktikos. Kai sakote savo telefonui „Paskambink mamai”, vyksta ma\u017edaug \u0161tai kas per kelias sekundes:<\/p>\n
Pirmiausia, j\u016bs\u0173 telefonas nuolat klausosi specialaus aktyvacijos \u017eod\u017eio („Ok Google”, „Hey Siri” ir pan.). \u0160is procesas vyksta vietiniame \u012frenginyje naudojant labai efektyv\u0173, bet paprast\u0105 model\u012f, kuris atpa\u017e\u012fsta tik t\u0105 vien\u0105 fraz\u0119.<\/p>\n
Kai i\u0161girsta aktyvacijos \u017eod\u012f, telefonas „pabunda” ir pradeda \u012fra\u0161in\u0117ti visk\u0105, k\u0105 sakote. Garso signalas i\u0161kart pradedamas apdoroti \u2013 valomas nuo triuk\u0161m\u0173, normalizuojamas garsumas.<\/p>\n
Tada duomenys keliauja \u012f debesis, kur galingi serveriai juos analizuoja naudodami visus tuos neuroninius tinklus, akustinius ir kalbos modelius, apie kuriuos kalb\u0117jome. Sistema ne tik atpa\u017e\u012fsta \u017eod\u017eius „paskambink mamai”, bet ir supranta, kad tai komanda, reikalaujanti veiksmo.<\/p>\n
Toliau \u012fsijungia nat\u016bralios kalbos supratimo sistema, kuri nustato, kad „mama” grei\u010diausiai rei\u0161kia kontakt\u0105 j\u016bs\u0173 telefone su tokiu vardu, ir inicijuoja skambut\u012f. Viskas vyksta taip greitai, kad atrodo beveik momentaliai.<\/p>\n
\u012edomu tai, kad sistema mokosi i\u0161 kiekvieno tokio s\u0105veikos atvejo. Jei da\u017enai pra\u0161ote paskambinti mamai, ji \u012fsimena \u0161\u012f da\u017en\u012f ir gali net prad\u0117ti si\u016blyti tai kaip greit\u0105 veiksm\u0105 tam tikru paros metu.<\/p>\n
Kalbos atpa\u017einimo technologija jau tapo neatskiriama m\u016bs\u0173 kasdienyb\u0117s dalimi, nors da\u017enai to net nepastebime. Nuo papras\u010diausi\u0173 komand\u0173 telefone iki sud\u0117ting\u0173 medicinini\u0173 transkribavimo sistem\u0173 \u2013 \u0161i technologija kei\u010dia tai, kaip bendraujame su ma\u0161inomis. Ir nors ji dar n\u0117ra tobula, kiekviena nauja karta tampa vis artimesn\u0117 tam momentui, kai pokalbis su kompiuteriu taps tikrai nat\u016bralus \u2013 kaip su kitu \u017emogumi, tik be nuovargi\u0173 aki\u0173 ir pra\u0161ym\u0173 pakartoti.<\/p>","protected":false},"excerpt":{"rendered":"
Kaip kompiuteris i\u0161moksta suprasti \u017emogaus kalb\u0105 Kai prie\u0161 keliolika met\u0173 pirm\u0105 kart\u0105 pama\u010diau film\u0105, kuriame \u017emon\u0117s tiesiog kalb\u0117jo su kompiuteriais,…<\/p>","protected":false},"author":1,"featured_media":6372,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[7],"tags":[],"class_list":["post-6273","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kompiuteriu-remontas-kompiuteriai-naujienos-patarimai","wpcat-7-id"],"yoast_head":"\n