211service.com
Prosodi
Ibland är det inte vad du säger, utan hur du säger det. Det är en sanning de flesta människor kan relatera till - men datorer kan inte. Även om programvara för taligenkänning har blivit ganska bra på att förstå ord, kan den fortfarande inte urskilja skiljetecken som punkter och kommatecken, eller välja mellan tvetydiga meningar vars betydelser beror på talarens känslor. Det beror på att sådan mjukvara fortfarande inte kan förstå intonationerna, betoningen och pauserna - gemensamt kända som prosodi - som människor intuitivt använder för att göra sådana distinktioner.
Men med mer än hundra företags- och akademiska forskargrupper som arbetar med problemet, har försöken att införliva prosodi i talmjukvaran en växande framgång. Prosodibaserade verktyg används redan för talsyntes - för att förbättra naturligheten hos datorröster som de som reciterar ditt banksaldo via telefon. Allt eftersom prosodiforskningen går framåt kommer dessa automatiserade system att låta mer och mer naturliga även när man talar komplexa meningar.
Den här historien var en del av vårt julinummer 2002
- Se resten av frågan
- Prenumerera
Det är dock i taligenkänning som de mest avgörande fördelarna bör komma. Nya framsteg tyder på att inom fem år kommer prosody-mjukvara att utföra uppgifter som att berätta när en kund som pratar med ett automatiserat telefonsystem blir arg och svara därefter - genom att till exempel överföra samtalet till en människa. Det här är verkligen banbrytande grejer, säger Michael Picheny, datavetare och chef för gruppen för tal- och språkalgoritmer vid IBM Research i Yorktown Heights, NY. Fram till de senaste åren var kvaliteten på taligenkänning så primitiv att det inte ens var värt att utforska hur man kan framkalla olika beteenden från maskiner genom att förmedla känslomässiga avsikter. Först ville du bara att maskinen skulle få orden rätt.
Ljudvågor har tre grundläggande komponenter som prosody programvara kan arbeta med. Den första är timing - varaktigheten av pauser mellan ord och meningar. För det andra kommer tonhöjden – närmare bestämt den relativa förändringen i tonhöjden inom ord och meningar. Slutligen finns det volym - en amplitudförändring som indikerar betoning.
Att få fram mening från dessa funktioner är mycket svårare för en dator än att identifiera ord, säger Elizabeth Shriberg, en datavetare som leder prosodiforskning vid SRI International i Menlo Park, Kalifornien. Ord är en linjär serie av fonetiska händelser, som ee och th. Prosodiska drag, däremot, förekommer över ord och meningar. Ännu värre, olika typer av prosodiska mönster överlappar ofta varandra; en uppsättning kan avslöja att en mening uttalades lugnt, en andra att meningen var en fråga. Men forskare börjar kartlägga dem. Till exempel har Shriberg och hennes medarbetare skapat en mall för en arg mening: den är långsammare överlag, har en överdriven betoning på nyckelord och slutar med en nedåtgående vändning i tonhöjden (jag behövde det här förra tisdagen men den har inte kommit). Shriberg har genererat prosodiska modeller av allt från olika känslotillstånd till interpunktion till disfluencies-skiftningar när människor ändrar tankar i mitten av meningen eller mumlar eh.
Medan SRI:s verktyg fortfarande är forskningsövningar, kan storskalig användning av prosodi för taligenkänning vara strax över horisonten. Begränsade applikationer används redan i kinesisk programvara för taligenkänning. I Kina, beroende på böjning, kan ordet Ma betyda mamma eller häst, eller indikera att meningen var en förbannelse, förklarar Xuedong Huang, en datavetare som leder en talteknikgrupp vid Microsoft Research i Redmond, WA. Det är väldigt farligt, skämtar han. Microsoft har redan börjat införliva enkel prosodi i sin programvara för taligenkänning av kinesiskt språk och arbetar med att skapa nästa generations programvara för kinesiska och japanska språk.
De kommande fem åren bör se engelskspråkiga prosodiska verktyg för taligenkänning göra sina första marknadsintroduktioner. En applikation: företag kunde automatiskt söka i inspelade kundtjänsttelefondatabaser, hitta arga samtal och studera vad som gick fel. En annan möjlighet: att identifiera skiljetecken, så att läkare som pratar i dikteringssystem inte behöver säga punkt.
Men det kommer att ta minst tio år, säger SRI:s Shriberg, innan någon dator kan börja göra vad folk gör varje dag - helt avkoda en konversation med all dess böjning, samtidigt som bakgrundsljud filtreras bort. Vi försöker stänga [man-maskin] gapet något, så när människor är en bristvara, eller i rymden, eller på livsuppehållande, kommer datorn att vara så smart som möjligt, säger Shriberg. För nu, hur som helst, försök inte förklara den ambitionen för en dator. Det kommer inte att förstå din spänning.