211service.com
For engangsstemmegjenkjenning, ta billige brikker og legg til enkel AI
Flickr | msantos7
Pete Warden vil at du skal kaste stemmegjenkjenningsmaskinvaren din i søpla. Og så kjøpe mer – og mer, og mer. Denne Google-ingeniøren er på en søken etter å gjøre stemmegjenkjenning billig.
Ideen hans er enkel nok: kutt ned de nevrale nettverkene som vanligvis brukes til å behandle lyd til de er effektive nok til å kjøre på billige, lette brikker. Det jeg vil ha er en 50-cent-brikke som kan gjøre enkel stemmegjenkjenning og kjøre i et år på et myntbatteri, forklarte han under forrige ukes Arm Research Summit i Cambridge, Storbritannia. Vi er ikke der ennå ... men jeg tror virkelig dette er mulig med den nåværende teknologien vi har nå.
Relatert historie
Relatert historieTil en så lav pris ville maskinvaren i praksis blitt engangsbruk, og åpnet opp for bruksområder som tidligere har vært utenkelig. Enhetene kan brukes til å bygge billige dukker som reagerer på barna dine, for eksempel, eller enkel hjemmeelektronikk som lamper som er stemmeaktivert. Men Warden sier også at de kunne finne en bruk i industrielle omgivelser, lytte etter lyder i stedet for stemmer – hundrevis av sensorer som oppdager lydsignaturer fra knirkende hjul i fabrikkutstyr, eller kvitrende sirisser på en gårdsmark.
Warden, som leder teamet hos Google som utvikler mobile og innebygde applikasjoner for firmaets sky-AI-verktøy, kalt TensorFlow, innser at han har satt seg en utfordring. Å presse ned, for eksempel, AI-en som driver Amazons AI-assistent, Alexa, til å kjøre på enkle batteridrevne brikker med klokkehastigheter på bare hundrevis av megahertz, er ikke gjennomførbart. Det er delvis fordi Alexa må tolke mange forskjellige lyder, men også fordi de fleste stemmegjenkjennings-AIer bruker nevrale nettverk som er ressurskrevende, og derfor sender Alexa sin prosessering til skyen.
Så han har begrenset problemet, og forsøkt å identifisere bare en håndfull nyttige kommandoer – for eksempel på, av, start, stopp og så videre. Han har også handlet med vanlige talegjenkjenningsalgoritmer. I stedet tar han et lydklipp, deler det opp i korte utdrag, og beregner deretter frekvensinnholdet til hver enkelt. Han stiller opp hvert av frekvensplottene etter hverandre for å lage et 2D-bilde av frekvensinnhold kontra tid, og bruker visuelle gjenkjenningsalgoritmer for å identifisere den karakteristiske signaturen til noen som sier et enkelt ord.
Teamets første forsøk krevde åtte millioner beregninger for å analysere et lydklipp på ett sekund med 89 prosent nøyaktighet. Det kan kjøres på en moderne smarttelefon og være raskt nok til å være interaktivt – noe som er bedre enn å måtte sende behandlingen til skyen – men det ville ikke fungere bra på en lavstrømbrikke. Etter at laget lånte algoritmiske triks som hjelper Android-telefoner å gjenkjenne uttrykket OK, Google, systemet var i stand til å analysere et sekunds tale med 85 prosent nøyaktighet ved å utføre bare 750 000 beregninger.
Laget har publiserte koden på TensorFlow-nettstedet som andre kan bruke. For øyeblikket kjører den programvaren på brikkene som de som brukes i smarttelefoner og Raspberry Pis, den ultrabillige datamaskinen-på-et-kortet. Den planlegger å prøve å få dem til å fungere på de mindre brikkene som de som finnes i Arduino-brett.
Tony Robinson, en tidligere AI-forsker ved Cambridge University, U.K., og nå teknisk sjef i talegjenkjenningsfirmaet Speechmatics , sier at Wardens ambisjon er god, og tror at slike rimelige tilnærminger vil hjelpe stemmegjenkjenning til å bli gjennomgripende i de kommende årene. Men han ser et problem med å bygge slike begrensede AI-er. Folk holder seg ikke til manuset, sier han, og forklarer at brukere neppe vil være tålmodige nok til å bruke et så begrenset sett med instruksjoner.
I stedet foreslår han at litt kraftige brikker som kan tilkalle flere av de språklige egenskapene av typen som finnes i Google Assistant og Amazons Alexa, kan være bedre egnet for forbrukerapplikasjoner.