System sztucznej inteligencji Amazona pomaga zmniejszyć błędy rozpoznawania głosu w Alexie o 15%.

Kilka miesięcy temu Amazon szczegółowo opisał szereg problemów, które uniemożliwiały Alexie udzielanie dokładnych odpowiedzi, gdy użytkownicy budzili wirtualnego asystenta w niektórych modelach telewizorów, w reklamach internetowych lub radiowych. W końcu główną kwestią jest to, w jaki sposób asystent głosowy Amazona może skutecznie odfiltrowywać szumy tła z otoczenia, aby zapewnić użytkownikom dokładniejsze informacje zwrotne. Niedawno w poście na blogu i towarzyszącym mu artykule badawczym zatytułowanym End-to-End Anchored Speech Recognition inżynierowie Amazona szczegółowo zaprezentowali nową technikę izolacji hałasu opartą na sztucznej inteligencji, która może pomóc ulepszyć rozpoznawanie głosu i poleceń Alexy o 15%. Oczekuje się, że bardziej szczegółowe informacje na temat działania systemu zostaną zaprezentowane podczas Międzynarodowej Konferencji na temat Akustyki, Mowy i Przetwarzania Sygnałów, która odbędzie się w Brighton jeszcze w tym roku.

• Model sztucznej inteligencji Disneya generuje animowane sekwencje na podstawie skryptów

„Tak naprawdę zawsze staramy się poprawić wydajność Alexy, ucząc ją, jak „ignorować” polecenia, które nie są dla niej przeznaczone, innymi słowy, wiedzieć, jak wybierać polecenia spośród niezliczonych dźwięków wydobywających się z otaczającego środowiska. W tym celu zakładamy, że głośnik aktywuje urządzenie obsługujące Alexę, wypowiadając określone słowo budzące – zwykle „Alexa” – i jest to fraza kluczowa, którą wirtualny asystent musi wyizolować i zidentyfikować w chaosie dźwięków z zewnątrz środowisko. Zasadniczo nasza technika pomoże szybko „wychwycić” dźwięki, które mogą być słowami budzącymi (zwykle w oparciu o podobieństwa w intonacji lub fonemach) i porównywać je ze słowami budzącymi. Standard dla dokładnej identyfikacji zdań. Wtedy zdanie, którego elementy najbardziej odpowiadają standardowemu słowu budzącemu, zostanie odebrane przez Alexę jako polecenie, natomiast pozostałe zdania zostaną potraktowane jako szum tła” – powiedział Xin Fan, lider zespołu naukowców odpowiedzialnych za projekt. Alexa AI wyjaśnia.

• Sztuczna inteligencja OpenAI pokonała panującego mistrza świata drużynę Dota 2

Zamiast szkolić oddzielny system sztucznej inteligencji do rozróżniania szumu tła od słów budzących, Xin Fan i współpracownicy połączyli swój mechanizm dopasowywania słów z modelem rozpoznawania mowy opartym na inteligencji.standardowy sztuczny. Naukowcy przetestowali po kolei dwie odmiany architektury AI dekodera – to znaczy wykorzystując architekturę przetwarzającą dane wejściowe (milisekundowe migawki sygnału audio) w celu wytworzenia odpowiedniej sekwencji wyjściowej (fonemiczne renderowanie dźwięku) – i Podobnie jak w przypadku większości konwencjonalnych technik kodowania i dekodowania, komponent kodujący podsumowuje dane wejściowe jako wektor o stałej długości (ciąg liczb) i konwertuje go na dane wyjściowe. Tymczasem specjalny mechanizm uwagi, „wytrenowany” do wykrywania pewnych podstawowych cech słów budzących w jednym lub większej liczbie ciągów mowy z otaczającego środowiska, będzie odpowiedzialny za „kierowanie” zestawem. Dekodowanie zwraca większą uwagę na te cechy wektora.

• UE: Systemy sztucznej inteligencji należy budować i wdrażać w sposób przejrzysty i odpowiedzialny

W ramach eksperymentu naukowcy przeszkolili jeden ze swoich modeli sztucznej inteligencji, aby kładł większy nacisk na rozpoznawanie wymowy słów, najpierw dodając komponent, który bezpośrednio porównywał dźwięki słów. obudź słowo z różną wymową, a następnie wykorzystał uzyskane dane jako dane wejściowe do innego osobnego komponent, który został przeszkolony do kompresowania bitów wektora kodującego. Wyniki były interesujące, model ten zmniejszył poziom błędu do 13% w porównaniu do 15%.