För engångsröstigenkänning, ta billiga chips och lägg till enkel AI

Flickr | msantos7

Pete Warden vill att du ska kasta din röstigenkänningsmaskinvara i papperskorgen. Och sedan köpa mer — och mer, och mer. Den här Google-ingenjören är på jakt efter att göra röstigenkänning billigt.

Hans idé är enkel nog: skär ner de neurala nätverk som vanligtvis används för att bearbeta ljud tills de är tillräckligt effektiva för att köras på billiga, lätta chips. Det jag vill ha är ett 50-cents chip som kan göra enkel röstigenkänning och köras i ett år på ett myntbatteri, förklarade han under förra veckans Arm Research Summit i Cambridge, Storbritannien. Vi är inte där ännu ... men jag tror verkligen att det här är genomförbart även med den nuvarande tekniken som vi har nu.

Relaterad berättelse

Relaterad berättelse

Till ett så lågt pris skulle hårdvaran i praktiken bli engångsbruk, vilket öppnar upp för användningsområden som tidigare varit otänkbara. Enheterna kan till exempel användas för att bygga billiga dockor som svarar på dina barn, eller enkel hemelektronik som lampor som är röstaktiverade. Men Warden säger också att de kunde hitta en användning i industriella miljöer, lyssna efter ljud snarare än röster - hundratals sensorer som upptäcker kontrollampa ljudsignaturer av gnisslande hjul i fabriksutrustning, eller kvittrande syrsor på en gård.

Warden, som leder teamet på Google som utvecklar mobila och inbyggda applikationer för företagets moln AI-verktyg, kallat TensorFlow, inser att han har ställt sig en utmaning. Att klämma ner, säg, den AI som driver Amazons AI-assistent, Alexa, att köra på enkla batteridrivna chips med klockhastigheter på bara hundratals megahertz är inte genomförbart. Det beror delvis på att Alexa måste tolka många olika ljud, men också för att de flesta röstigenkännings-AI:er använder neurala nätverk som är resurskrävande, vilket är anledningen till att Alexa skickar sin bearbetning till molnet.

Så han har begränsat problemet och försökt identifiera bara en handfull användbara kommandon - som på, av, start, stopp och så vidare. Han har också handlat med vanliga taligenkänningsalgoritmer. Istället tar han ett ljudklipp, delar upp det i korta utdrag och beräknar sedan frekvensinnehållet för var och en. Han radar upp var och en av frekvensplotterna efter varandra för att skapa en 2D-bild av frekvensinnehåll kontra tid, och tillämpar visuella igenkänningsalgoritmer för att identifiera den distinkta signaturen för någon som säger ett enda ord.

Teamets första försök krävde åtta miljoner beräkningar för att analysera ett ljudklipp på en sekund med 89 procents noggrannhet. Det kan köras på en modern smartphone och vara tillräckligt snabbt för att vara interaktivt – vilket är bättre än att behöva skicka bearbetningen till molnet – men det skulle inte fungera bra på ett lågeffektschip. Efter att laget lånat algoritmiska knep som hjälper Android-telefoner att känna igen frasen OK, Google, systemet kunde analysera en sekunds tal med 85 procents noggrannhet genom att utföra bara 750 000 beräkningar.

Laget har publicerade sin kod på TensorFlow-webbplatsen för andra att använda. För närvarande kör den programvaran på chipsen som de som används i smartphones och Raspberry Pis, den ultrabilliga datorn-på-ett-kortet. Den planerar att försöka få dem att fungera på de mindre markerna som de som finns i Arduino-brädorna.

Tony Robinson, tidigare AI-forskare vid Cambridge University, U.K., och nu teknisk chef på taligenkänningsföretaget Speechmatics , säger att Wardens ambition är god och tror att sådana lågkostnadsstrategier kommer att hjälpa röstigenkänning att bli genomträngande under de kommande åren. Men han ser ett problem med att bygga så begränsade AI:er. Människor håller sig inte till manuset, säger han och förklarar att användarna sannolikt inte har tillräckligt med tålamod för att använda en så mycket begränsad uppsättning instruktioner.

Istället föreslår han att lite kraftfulla chips som kan framkalla fler av de språkliga förmågorna av det slag som finns i Google Assistant och Amazons Alexa kan vara bättre lämpade för konsumentapplikationer.

Dölj