Digital läppläsare

Taligenkänning är en sedan länge utlovad teknik som äntligen börjar leverera. Men dagens bästa system tenderar att misslyckas när högtalaren är på en bullrig plats. För att lösa detta problem lägger forskare till läppläsning till mixen.

Medan människor förlitar sig på munformer hela tiden för att tolka tal, är läppläsning ingen enkel uppgift för en dator. För det första kan varje form motsvara flera specifika ljud. För att göra saken värre börjar munrörelserna så mycket som 120 millisekunder innan ett ljud uttalas. Människor kan använda andra ledtrådar som meningskontext och ansiktsuttryck för att övervinna dessa svårigheter, men tills nyligen saknade datorer processorkraft för att göra det.

Den här historien var en del av vårt septembernummer 2003

• Se resten av frågan
• Prenumerera

Nu håller grupper på Intel, IBM och andra institutioner på att modifiera språkbehandlingsprogram för att länka varje röstljud till flera möjliga munrörelser, vilket gör att programvaran kan göra en bästa gissning om vad som uttalas. I tester i bullriga miljöer ökade tillägg av visuell information taligenkänningsnoggrannheten från 20 procent till 75 procent, säger Ara Nefian, seniorforskare vid Intel Research i Santa Clara, Kalifornien.

Inledningsvis kommer detta sannolikt att vara mest användbart för läkare och andra som arbetar på bullriga platser som behöver bättre noggrannhet från kontorsdikteringsprogram. Med denna publik i åtanke bygger IBM in en liten kamera i boommikrofonen som följer med befintlig programvara för taligenkänning. Längre på vägen föreställer sig forskare den dag då din bils instrumentbräda kan ha en kamera som tittar på dina läppar efter röststyrda kontroller, eller din mobiltelefon kan titta på vad du säger.

Dölj