Gå in i draken

Varje byggnad har sina anspråk på berömmelse, säger Janet Baker när hon leder mig runt en trevånings tegelbyggnad som ligger på en kulle med utsikt över Boston. En gång en kvarn har denna byggnad städats, renoverats och förvandlats till kontor. Idag är det huvudkontoret för Dragon Systems, företaget Janet och hennes man Jim Baker grundade 1982.

Vad är den här? Jag frågar.

Den här historien var en del av vårt septembernummer 1998

• Se resten av frågan
• Prenumerera

Repet som hängde John Wilkes Booth gjordes här, säger hon med ett leende.

När jag väl känner till industribyggnadens förflutna finns skyltarna överallt. Golven på andra och tredje våningen lutar något, så att arbetare för ett sekel sedan kunde rulla de massiva spolarna med rep. Det finns dörrar på tredje våningen som öppnar ut i tomt utrymme, där block och redskap sänkte spolarna till vagnarna som väntade nedanför. Remskivor och rullar hänger fortfarande från byggnadens tak.

Men historiker som ser tillbaka från 2000-talet kommer mindre sannolikt att minnas detta gamla kvarnhus för snaran som vred nacken på Abraham Lincolns mördare än för att vara platsen där Dragon Systems löste en stor utmaning inom datavetenskap: att få en persondator att känna igen naturliga mänskligt tal.
Ända sedan förra seklet har ingenjörer försökt bygga en maskin som skulle lyssna till sin herres röst; till och med Alexander Graham Bell försökte sig på det. Och medan datorer som kan känna igen enstaka talade ord har funnits i decennier, på hösten 1995 förkunnade förståsigpåare fortfarande att stationära maskiner som kan transkribera kontinuerligt tal - det snabba och ibland förvirrade sättet folk faktiskt pratar - inte skulle finnas kvar förrän kl. åtminstone år 2000...och möjligen mycket senare.

Idag kan du köpa Dragon Systems NaturallySpeaking i datorbutiker för $99,95 och köra den på en ny PC som kostar mindre än $2 000.

Så vad kan den här tekniken göra? Tidigare i år satt jag i ett konferensrum på Dragons huvudkontor med ett gäng skeptiska teknikskribenter medan Joel Gould, Dragon Systems huvudarkitekt, demonstrerade programmet han hjälpte till att skapa. Gould gick fram till konferensrummet, kopplade in sin bärbara dator till projektorn, tog på sig ett lätt telefonheadset och började prata.

Jag ska ge dig en demonstration först, och sedan ska jag gå tillbaka och visa dig några av de saker som du såg gå förbi snabbt, sa Gould. Några sekunder senare dök samma ord upp på skärmen, skrivna magiskt av själva datorn. Gould fortsatte i denna konversationsstil, med maskinen som transkriberade allt han sa. Även om det gjordes ett fel då och då, var maskinens noggrannhet anmärkningsvärd. I hopp om att stoppa programmet frågade en reporter om det kunde skilja på ord som låter likadant men som stavas annorlunda. Gould log och lät ifrån sig en dumhet: Vänligen skriv ett brev till Mrs Wright nu. Berätta för henne att två är för många för att köpa. Systemet kände igen orden perfekt.

Dragons ledning förutspår med tillförsikt att om fem år kommer en dator utan sådan röstigenkänningsprogram att verka lika primitiv som en dator utan mus skulle verka idag. Brev och e-post kommer att dikteras lika enkelt som att prata i telefon. Bara ett steg bortom det kan PC-baserad simultanöversättning välta språkbarriärer.

Taligenkänningens ankomst några år före schemat beror till stor del på uthålligheten från Jim och Janet Baker, paret som grundade Dragon redan 1982. Som forskare hjälpte paret till att uppfinna några av de grundläggande algoritmerna som används idag av alla taligenkänningsprodukter . Som entreprenörer kämpade de för att kommersialisera tekniken år före allas schema. Nu när talet är på skrivbordet är det tydligt att vår datorframtid inte kommer att formas till en liten del av Dragon Systems och man-och-fru-teamet som födde den.

Janet maciver och jim baker blev förälskade när de båda var doktorander vid New York Citys Rockefeller University. Det var hösten 1970. Janet, en personlig och utåtriktad biofysiker, studerade hur information bearbetas av nervsystemet. Jim var en intensivt blyg matematiker som letade efter ett lovande avhandlingsämne.

Den tredje deltagaren i deras förhållande - gåtan med taligenkänning - kom in på scenen en dag när Jim besökte Janets labb och såg en oscilloskopskärm som visade en rörlig våglinje. Signalen, förklarade Janet, var en kontinuerlig logg över pågående händelser producerad av en typ av liten analog krets som ursprungligen uppfanns av professor Jerome Lettvin vid MIT. Händelserna på hennes skärm var ljudet av mänskligt tal.

Det slog mig som ett väldigt intressant problem med mönsterigenkänning, säger Jim och tänker tillbaka på den ödesdigra krångeln. Ledd till en högtalare skulle signalen producera ljud som en person kunde förstå: språk, kort sagt. Men visades på skärmen var informationen ogenomtränglig.

Och när jag lärde mig mer om det lärde jag mig hur svårt problemet egentligen var, minns han. Nyckelutmaningen var inte bara att bygga en dator som kunde identifiera enskilda ord – ett team på Bell Labs hade gjort det redan 1952. Bells enkla dator kunde känna igen siffrorna noll men nio genom att matcha de talade ljuden mot en uppsättning mönster lagrade i analogt minne. Och på 1970-talet hade sådana diskreta igenkänningssystem - som fungerade förutsatt att systemet först tränades på talarens röst, och att talaren pausade mellan varje ord - byggt upp till några hundra ord.

Den verkliga uppgiften var att designa en algoritm som kunde ge mening för naturligt talade meningar – där enskilda ordljud kamoufleras av sitt sammanhang (se diagram s. 61). Det [gjorde] det mer intressant, säger Jim. Redan då slog kontinuerlig taligenkänning honom som ett idealiskt forskningsproblem, som han karakteriserar som mycket svårt men inte omöjligt.

När Jim och Janet förberedde sitt bröllop 1971, startade U.S. Defense Advanced Research Projects Agency (DARPA) ett ambitiöst femårigt projekt kallat Speech Understanding Research. Byrån ansåg att all teknik som låter soldater kommunicera snabbare med datorer kan vara en betydande strategisk fördel, särskilt på slagfältet. Projektets mål: ett system som kunde känna igen kontinuerligt mänskligt tal från en 1 000-ords vokabulär med 90 procents noggrannhet.

Tidpunkten för DARPA-initiativet var slumpmässigt för bakarna, liksom Jims vetenskapliga bakgrund. Som student hade han utvecklat en matematisk teknik för att analysera till synes slumpmässiga händelser, baserad på metoder som pionjärer av den ryske matematikern Andrey Markov (1856-1922). Jim var den första som insåg att sådana dolda Markov-modeller kan användas för att reda ut talgåtan.

De flesta nygifta samarbetar för att lösa utmaningar som vilket mönster de ska välja för sitt bröllopsporslin. Bakarna hoppade inte över dessa uppgifter (de valde en drake), men bestämde sig sedan för att ta itu med problemet med taligenkänning tillsammans också. Ändå fann de sig själva alltmer isolerade på Rockefeller, som inte hade experter på talförståelse och saknade datorkraft för att prova Jims tekniker. Så nästa år packade de sina väskor och flyttade till Carnegie Mellon University, en av DARPA-projektets huvudentreprenörer och en härd för forskning om artificiell intelligens (AI).

På Carnegie Mellon upptäckte bakarna att deras inställning till taligenkänning var helt i otakt med mainstream. Vid den tiden trodde många AI-forskare att en maskin bara kunde känna igen talade meningar om den först kunde förstå en hel del sammanhang, inklusive vem talaren var, vad talaren visste och vad talaren kanske försöker säga, samt regler för engelsk grammatik. Med andra ord, för att känna igen tal måste en maskin vara ganska intelligent.

Bakers försökte en helt annan takt. Med utgångspunkt i Jims erfarenhet av Markov Models skapade de ett program som fungerade i ett rent statistiskt område. Först började de beräkna sannolikheten för att två ord eller tre ord skulle dyka upp efter varandra på engelska. Sedan skapade de en fonetisk ordbok med ljuden från dessa ordgrupper. Nästa steg var en algoritm för att dechiffrera en rad talade ord baserat inte bara på en bra ljudmatchning, utan också enligt sannolikheten att någon skulle tala dem i den ordningen. Systemet hade inga kunskaper i engelsk grammatik, ingen kunskapsbas, inget regelbaserat expertsystem, ingen intelligens. Inget annat än siffror.

Det var en väldigt kättersk och radikal idé, säger Janet. Många människor sa: Det är inte tal eller språk, det är matematik! Det är något annat!'

Även om bakarnas tänkande mötte utbredd skepsis, säger Victor Zue, biträdande direktör för MIT:s laboratorium för datavetenskap och en annan pionjär inom talforskning, har tiden visat att [bakarna] är korrekta när de följt denna typ av tillvägagångssätt. Faktum är att bagarnas system, som de döpte till Dragon efter varelsen som prydde deras porslinsset, började snart att konsekvent prestera bättre än konkurrerande metoder.

När bakarna tog sin doktorsexamen från Carnegie Mellon 1975, gav deras pionjärarbete snart dem båda jobb vid IBM:s Thomas J. Watson Research Center, utanför New York City. Vid den tiden var IBM en av de enda organisationerna som arbetade med stort ordförråd, kontinuerlig taligenkänning. Vi gick inte till [IBM] och sa: Ni måste anställa oss båda, minns Jim. Det gick bara så. Det var dock ett mönster som skulle upprepa sig. Idag, med Jim som ordförande/VD och Janet som president för Dragon Systems, är Bakers stolta över att ha nästan identiska CV.

På IBM designade Bakers ett program som kunde känna igen kontinuerligt tal från en 1 000-ords vokabulär. Det var dock långt ifrån realtid. Programmet kördes på en IBM 370-dator och tog ungefär en timme att avkoda en enda talad mening. Men det som frustrerade Bakers mer än att vänta på tid på stordatorn var IBM:s vägran att testa taligenkänning under verkliga förhållanden.

IBM är en utmärkt forskningsinstitution och vi trivdes med att arbeta där, säger Janet. Men vi var väldigt angelägna om att få ut saker på marknaden och få riktiga användare. Verkliga användare kunde verkligen inte vänta en timme på att en dator skulle transkribera en mening. Men, konstaterar hon, du kunde ha gjort enklare saker med mycket mindre [dator]resurser. IBMs ledning kände annorlunda och sa till Bakers att de var för tidigt ute.
Det var storhetstid för missade möjligheter hos IBM (räkna relationsdatabaser och RISC-mikroprocessorer bland nyckeluppfinningarna som företaget inte lyckades kommersialisera) och 1979 kokade Bakers frustration över. Paret hoppade till Verbex, ett Boston-baserat dotterbolag till Exxon Enterprises som hade byggt ett system för att samla in data via telefon via talade siffror. Jim (som nybliven vicepresident för avancerad utveckling) och Janet (som vicepresident för forskning) satte sig för att få programmet att hantera kontinuerligt tal.

Men mindre än tre år senare slutade Exxon från taligenkänningsbranschen och bagarna sökte jobb igen. Den här gången stavas deras look-alike-cv problem - det fanns inga jobb för någon av dem. Duon insåg att de stod inför ett val: skilja sig från taligenkänning genom att byta fält, eller ge sig ut på egen hand.

1982, utan riskkapital, ingen affärsplan, två barn i förskoleåldern och en stor inteckning, grundade Bakers Dragon Systems. De drev företaget från sitt vardagsrum och tänkte att deras besparingar kunde räcka i 18 månader - kanske 24 om de åt lite nog.

Lite tungt men inte riktigt ur form, idag ser Bakers mycket mer ut som lyckligt åldrande akademiker än framgångsrika entreprenörer. Men när man går genom Dragons påkostade högkvarter är det direkt uppenbart att de är båda. Dragon Systems har vuxit med nästan 50 procent varje år under de senaste 16; det sysselsätter nu mer än 260 personer. Deras hemlighet, säger Janet, var ett decennium av självtillit. Istället för att samla upp skulder eller sälja en andel i företaget till utomstående, insisterade bagarna på att löner och utgifter måste betalas av intäkter. Som ett resultat fokuserade Dragon på att lösa verkliga problem med nuvarande teknik och lyckades leverera.

Åren efter Dragons kläckning kom med en tvättlista med skräddarsydda projekt, forskningskontrakt och förstklassiga produkter som förlitade sig på den allt mer robusta diskreta igenkänningsmetoden. Bland landmärkena var Dragons första affär, där ett litet brittiskt företag som heter Apricot Computers använde Dragons teknologi för att marknadsföra den första persondatorn för att låta människor öppna filer eller köra program genom att säga enkla kommandon. (Aprik, aprikos hade mognat före sin tid och gick snart omkull.) 1986 använde Xerox-arbetare beväpnade med mikrofoner och radiosändare Dragon-teknik för att genomföra en revision av företagets hela lager på 2,2 miljoner delar.

1990 introducerade Dragon DragonDictate 30K, det första stora ordförrådet, tal-till-text-systemet för allmän diktering. Programmet gjorde det möjligt för en användare att styra en dator med enbart röst, och fann omedelbart nåd bland de funktionshindrade, inklusive skådespelaren Christopher Reeve.

Men Dragons diskreta teknologi kunde inte penetrera den allmänna marknaden. Även om många människor kunde skriva in text med DragonDictate snabbare än de kunde skriva, njöt ingen av att tvingas pausa mellan varje talat ord. Ännu värre, konkurrenterna kom starkt med sin egen diskreta taligenkänningsteknik. Alla visste att det användarna verkligen ville ha var kontinuerlig taligenkänning, och att det första företaget på marknaden skulle vara redo att dominera. Men alla visste också att en kontinuerlig produkt var minst fem år bort, kanske till och med ett decennium.

Sen någon gång under slutet av 1993 insåg bagarna att den konventionella visdomen var fel. Eftersom de visste i vilken takt datorhastigheten och minnet förbättrades, beräknade de att toppmoderna stationära maskiner skulle ha kraften att göra kontinuerlig igenkänning inom några år. Precis som paret en gång hade riskerat sina karriärer på ett besynnerligt nytt synsätt på taligenkänning, började Bakers under första halvan av 1994 göra om sitt företag i ett försök att ta tillfället i akt och föra ut sina idéer till marknaden.

Medan Jim satte upp ett nytt utvecklingsteam för att bygga Dragons första kontinuerliga taligenkännare, förmedlade Janet ett avtal med den Kalifornien-baserade hårddisktillverkaren Seagate Technologies om att köpa 25 procent av Dragons aktie. Företaget använde pengarna för att bemanna sina ingenjörs-, marknadsförings- och säljstyrkor. Inom ett år hade Dragon det största talforskarteamet i världen - fler än 50 forskare och mjukvaruingenjörer.

Den nya kontinuerliga produkten skulle egentligen vara två program i ett. Den första, igenkännaren, skulle göra själva jobbet med att omvandla talade yttranden till engelsk text. Det andra programmet var gränssnittet, som kopplade igenkännaren till både användaren och resten av datorns operativsystem. Om den första halvan var ren vetenskap (som bygger på Bakers tidiga arbete), var den andra den frustrerande blandningen av ingenjörskonst och konst som behövdes för att förvandla vetenskap till en säljbar produkt.

Det svåraste av dessa verkliga problem var att få programvaran att fungera bra i en Windows-miljö. Windows är hemskt, beklagar Dragon's Gould, som tog på sig den kritiska uppgiften att designa användargränssnittet. Det är buggigt, dåligt dokumenterat, inkonsekvent och delar av det [är] nästan oanvändbart. Men det är vad alla våra kunder kör.

I april 1997 hade Dragons team klarat de viktigaste hindren och börjat tipsa branschanalytiker om att något stort var på väg. Vi var skeptiska, minns Peter Ffoulkes från marknadsundersökningsföretaget Dataquest. Sedan såg han demon, som hade ett ordförråd på 230 000 ord. Vi var ganska imponerade av förmågan. Vi förväntade oss inte att det skulle vara här i dag, och det är det verkligen, säger Ffoulkes.

Bakarna hade spelat sitt företag och de hade satsat rätt. Den nya produkten för kontinuerlig igenkänning, kallad Dragon NaturallySpeaking, blev en omedelbar hit. Janet Bakers kontor började fyllas på med förfrågningar från företag som hoppas kunna integrera Dragons teknologi med sina mjukvaruapplikationer. Artiklar om NaturallySpeaking dök upp i publikationer över hela världen; Gould demonstrerade programmet på CNN. Den hösten svepte NaturallySpeaking branschens COMDEX-mässa och vann alla större produktpriser.

Dragons tid ensam i rampljuset var dock kort. När företaget först skickade NaturallySpeaking i juni 1997, svarade IBM med att sänka priset på sin diskreta taligenkännare Voice Type, till 49,95 dollar. Och eftersom beskedet om NaturallySpeakings förestående release hade läckt ut månader tidigare, hade IBM redan lanserat ett kraschförsök för att flytta sitt eget kontinuerliga taligenkänningsprogram (utvecklat i samma labb där Bakers hade arbetat på 1970-talet) lika snabbt ut genom dörren som möjligt. Produkten, IBM ViaVoice, hamnade på butikshyllorna som augusti prissatte att flytta till bara 99 $.

IBM blåste verkligen bort saker, säger John Oberteuffer, VD för Voice Information Associates, som studerar taligenkänningsmarknaden. Jag har använt dem båda och när det gäller ren igenkänningsnoggrannhet skulle jag säga att de är jämförbara, säger han. Dragon tvingades dra tillbaka och sänka priset från den rejäla initiala avgiften på $700, till $299, sedan till $199. I slutet av året hade Dragon sålt 29 463 exemplar av NaturallySpeaking, medan IBM hade sålt 46 182 exemplar av ViaVoice, enligt PC Data. Men i den totala produktintäkterna hade Dragon övertrumfat Big Blue.

Dölj