211service.com
AT&T vill låta din röst styra appar
I ett försök att göra tal till det dominerande sättet som människor styr teknik, öppnar AT&T upp sin taligenkänningsteknik för andra att använda. Från och med juni kan mjukvaruingenjörer utnyttja en molntjänst som erbjuds av företaget för att få vilken enhet som helst som kan ansluta till Internet att svara på sin herres röst.
Vad?: En labbdemonstration visar en konversation i realtid mellan en engelsktalande och en spansktalande. Talade ord återgavs till text, översattes och talades upp maskinellt för lyssnaren i vardera änden.
AT&T tror att tekniken i slutändan kan användas för allt från smarttelefonappar och onlinespel till bilar och apparater. Medan det initiala erbjudandet bara kommer att konvertera tal till text och motsvarande kommandon, överväger företaget en bredare uppsättning erbjudanden senare, inklusive sådana som översätter engelsk text till sex andra språk och vice versa, och som också kan syntetisera översatt tal.
Vi tror att det finns många smarta människor där ute som kan skapa applikationer och tjänster som vi aldrig har drömt om förut, säger Mazin Gilbert, vice vd för forskning om intelligenta system på AT&T Labs i Florham Park, New Jersey. För att använda tekniken skriver utvecklare kod i sin programvara för att dra fördel av ett API (applikationsprogrammeringsgränssnitt) specificerat av AT&T. Den koden gör att ett program skickar tal till AT&T över Internet, där det konverteras till text och returneras till enheten. De nya API:erna var meddelat förra veckan. AT&T hävdar att tekniken är 95 procent korrekt när det gäller att ta engelska tal och återge det som text. Den säger att dess noggrannhet när det gäller att konvertera betydelsen av engelsk text till och från andra språk varierar från 70 procent till 80 procent.
Den underliggande talteknologin som nu erbjuds av AT&T används redan i många av dess egna applikationer, inklusive AT&T översättarapp för Android- och iOS-telefoner, och mobil röstkatalogsökning tillhandahålls av Gula Sidorna . Jag vill kunna ha en miljon appar på vår plattform, inte hundratals, som vi har idag, säger Gilbert. Oavsett vad din vilda idé är – vi vill tillhandahålla dessa API:er. Jag ska vara ärlig: Jag vet inte vad folk ska använda det till.
AT&T-tekniken bygger på årtionden av innovation vid Bell Labs före upplösningen av AT&T och den efterföljande etableringen av AT&T:s egna servicecentrerade labb. Företaget måste dock konkurrera med mer etablerade leverantörer av taligenkänningsteknik, särskilt inom smarta telefoner.
Till exempel, Nyans tillhandahåller taligenkänningsfunktioner till många företag, inklusive, enligt uppgift, Apple för sin Siri personliga assistent. Googles taligenkänningsteknik erbjuds i hela dess Android-smarttelefonoperativsystem och av alla appar som är skrivna för en Android-enhet. Microsoft har även taligenkänningsteknik, som visas i operativsystemet Windows Phone och i produkter från partners som Ford, med sitt Sync-system för underhållning i bilen.
Krish Prabhu, VD för AT&T Labs, tror att genom att göra talteknik allmänt tillgänglig kommer mobil datoranvändning att bli mer kapabel och växa snabbare. I sammanhanget av en värld där vi till stor del har löst problem med anslutningar och räckvidd – även om det fortfarande finns problem – kommer denna ansträngning på tal från en övertygelse om att gränssnittet till nätverket måste bli enklare, sa han vid en labbdemonstration i New York City förra veckan. Vi försöker bana väg så att tekniken inte är det som stoppar oss.
AT&T:s API:er för tal-till-text, som ska lanseras i juni, består av sju versioner som är skräddarsydda för specifika användningsområden, som att diktera textmeddelanden, söka efter lokala företag, svara på frågor, förvandla röstmeddelanden till text och utföra allmän diktering. I framtiden kommer även specifika API:er för onlinespel och sociala nätverk att läggas till.
Senare kan API:er bli tillgängliga som översätter text mellan engelska och sex andra språk: spanska, franska, italienska, tyska, kinesiska och japanska. Andra språk, inklusive koreanska och arabiska, är på gång, men AT&T kommer att ligga långt efter konkurrenterna. Till exempel erbjuder Google redan utvecklare verktyg som kan översätta mellan vilket som helst av över tusen språkpar.
Gilbert säger att användningen av alla API:er skulle medföra en registreringsavgift på 99 $ för 2012, och att planerna efter 2012 inte var offentliga. Google tar betalt för sina egna översättnings-API:er.
För att förbättra noggrannheten hos taligenkänning eller översättningsprogram krävs att man skaffar mer exempeldata för att träna de underliggande algoritmerna. För att hjälpa den processen kunde AT&T så småningom be om feedback från personer som använder produkter som har dess tal- och översättningsteknik inbyggd. Crowdsourcing skulle göra det möjligt för detta att nå mycket högre nivåer av noggrannhet, och det skulle i sin tur leda till en bredare användning och mycket nöjdare användare, säger Sam Ramji, en datavetare som är vice VD för strategi på Apigee , som bygger API-plattformar och arbetar med AT&T-projektet.
Ramji tror att att göra bra taligenkänningsteknik lätt tillgänglig långsamt skulle kunna göra traditionella menyer och textdrivna gränssnitt utdöda. Dagens användargränssnitt är som träd som vi måste navigera för att återspegla programmets struktur. Det som borde hända är att enheter analyserar kommandot som kommer ut ur våra munnar, säger han.