211service.com
Vart taligenkänning är på väg
Fram till nyligen verkade idén att föra en konversation med en dator ren science fiction. Om du bad en dator att öppna dörrarna till podfacket - ja, det var bara i filmer.
Men saker och ting förändras, och det snabbt. Ett växande antal människor pratar nu med sina mobiltelefoner och ber dem att skicka e-post och textmeddelanden, söka efter vägbeskrivningar eller hitta information på webben.
Vi är i en övergångspunkt där röst- och naturligt språkförståelse plötsligt är i framkant, säger Vlad Sejnoha, teknisk chef för Nuance Communications, ett företag baserat i Burlington, Massachusetts, som dominerar marknaden för taligenkänning med sin Dragon-mjukvara. och andra produkter. Jag tror att taligenkänning verkligen kommer att förbättra det nuvarande [dator]-gränssnittet.
Framsteg har skett delvis tack vare stadiga framsteg inom den teknik som behövs för att hjälpa maskiner att förstå mänskligt tal, inklusive maskininlärning och statistiska datautvinningstekniker. Sofistikerad röstteknik är redan vanligt i callcenter, där den låter användare navigera genom menyer och hjälper till att identifiera upprörda kunder som borde lämnas till en riktig kundtjänstrepresentant.
Nu gör den snabba ökningen av kraftfulla mobila enheter röstgränssnitt ännu mer användbara och genomgripande.
Jim Glass, en senior forskare vid MIT som har arbetat med talgränssnitt sedan 1980-talet, säger att dagens smarta telefoner har lika mycket processorkraft som laboratoriemaskinerna han arbetade med på 90-talet. Smarta telefoner har också dataanslutningar med hög bandbredd till molnet, där servrar kan göra det tunga arbetet som är involverat med både röstigenkänning och förståelse av talade frågor. Kombinationen av mer data och mer datorkraft innebär att du kan göra saker idag som du bara inte kunde göra tidigare, säger Glass. Du kan använda mer sofistikerade statistiska modeller.
Det mest framträdande exemplet på ett mobilt röstgränssnitt är förstås Siri, den röstaktiverade personliga assistenten som är inbyggd i den senaste iPhonen. Men röstfunktionalitet är inbyggd i Android, Windows Phone-plattformen och de flesta andra mobilsystem, såväl som många appar. Även om dessa gränssnitt fortfarande har avsevärda begränsningar (se Social Intelligence), kommer vi närmare maskingränssnitt som vi faktiskt kan prata med.
Nuance är kärnan i boomen inom röstteknik. Företaget grundades 1992 som Visioneer och har förvärvat dussintals andra röstteknikföretag. Det har nu mer än 6 000 anställda på 35 platser runt om i världen, och dess intäkter under andra kvartalet 2012 var 390,3 miljoner USD, en ökning med 22,4 procent jämfört med samma period 2011.
Under de senaste åren har Nuance skickligt tillämpat sin expertis inom röstigenkänning på den framväxande marknaden för talgränssnitt. Företaget levererar röstigenkänningsteknik till många andra företag och anses allmänt tillhandahålla talkomponenten i Siri.
Tal är idealiskt lämpat för mobil datoranvändning, säger Nuances CTO, dels för att användarna har sina händer och ögon annars upptagna – men också för att ett enda talat kommando kan utföra uppgifter som normalt skulle kräva en mängd svep och tryck. Plötsligt har man den här nya byggstenen, den här nya dimensionen som man kan tillföra problemet, säger Sejnoha. Och jag tror att vi kommer att designa det grundläggande moderna enhetsgränssnittet med det i åtanke.
Inspirerad av framgången med röstigenkänningsmjukvara på mobiltelefoner hoppas Nuance kunna placera sina talgränssnitt på många fler ställen, framför allt på TV:n och i bilen. Båda är populära och mogna för innovation.
För att hitta ett program på TV eller för att schemalägga en DVR-inspelning måste tittarna för närvarande navigera i besvärliga menyer med en fjärrkontroll som aldrig var designad för att skriva in textfrågor. Produkter som skulle göra det lättare att hitta en serie, som Google TV, har visat sig vara för komplexa för människor som bara vill koppla av för en kvällsunderhållning.
På Nuances forskningslabb demonstrerade Sejnoha programvara som heter Dragon TV som körs på en tv i ett mockat vardagsrum. När en kollega sa, Dragon TV, hitta filmer med Meryl Streep, skannade gränssnittet omedelbart genom kanallistor för att välja flera lämpliga filmer. En version av denna teknik finns redan i vissa tv-apparater som säljs av Samsung.
Det ryktas ofta om att Apple utvecklar sin egen tv, och det spekuleras i att Siri kommer att vara dess kontroller. Idén har drivits av Walter Isaacsons biografi om Steve Jobs, där den bortgångne VD:n sägs ha hävdat att han äntligen hade löst TV-gränssnittet.
Samtidigt använder underhållningssystemet Sync i Fords bilar redan Nuances teknologi för att låta förare visa vägbeskrivningar, väderinformation och låtar. Cirka fyra miljoner Ford-bilar på vägen har Sync med röstigenkänning. Förra veckan introducerade Nuance programvara som heter Dragon Drive som låter andra biltillverkare lägga till röststyrningsfunktioner till fordon.
Båda dessa nya sammanhang är utmanande. En anledning till att röstgränssnitt har blivit populära på smarta telefoner är att användare talar direkt in i enhetens mikrofon. För att säkerställa att systemet fungerar bra i tv-apparater och bilar, där det finns mer bakgrundsljud, experimenterar företaget med array-mikrofoner och brusreducerande teknik.
Nuance gör ett antal mjukvaruutvecklingskit tillgängliga för alla som vill inkludera röstigenkänningsteknik i en applikation. Montrue Technologies, ett företag baserat i Ashland, Oregon, använde Nuances mobila medicinska SDK för att utveckla en iPad-app som låter läkare diktera anteckningar.
Det är förvånansvärt korrekt, säger Brian Phelps, VD och medgrundare av Montrue och själv akutläkare. Talet har vänt; det har kommit till en punkt där vi får otrolig noggrannhet direkt ur lådan.
I sin tur stärker kiten Nuances position och hjälper företaget att förbättra sina röstigenkännings- och språkbehandlingsalgoritmer genom att skicka allt mer röstdata genom dess servrar. Som MITs Glass säger har det länge funnits ett talesätt i taligenkänningsgemenskapen: 'Det finns ingen data som mer data'. Nuance säger att de lagrar data i ett anonymt format för att skydda integriteten.
Sejnoha tror att inom några år kommer mobila röstgränssnitt att bli mycket mer genomgripande och kraftfulla. Jag ska bara kunna prata med den utan att röra den, säger han. Den kommer ständigt att lyssna efter triggerord och kommer bara att göra det - pop upp en kalender, eller förbered ett textmeddelande eller en webbläsare som navigeras dit du vill gå.
Kanske kommer folk till och med att prata med datorer de har på sig, som de fotosnapande glasögonen som utvecklas hos Google. Källor på Nuance säger att de aktivt planerar hur talteknik skulle behöva utformas för att kunna köras på bärbara datorer.