For noen tiår tilbake, hvis vi skulle fortelle noen at vi kunne legge inn en bestilling på et produkt eller en tjeneste bare ved å snakke med en maskin, ville folk ha klassifisert oss som rare. Men i dag er det en så vill drøm som har blitt levende og sann.
Utbruddet og utviklingen av talegjenkjenningsteknologi har vært like fascinerende som fremveksten av kunstig intelligens (AI) eller maskinlæring (ML). Det faktum at vi kan stemme ut kommandoer til enheter med null synlige grensesnitt er en ingeniørrevolusjon, som har fått forskjellige spillskiftende bruksområder.
For å sette ting i perspektiv, over 4.2 milliarder stemmeassistenter er aktive i dag og rapporter viser at innen utgangen av 2024 vil dette dobles til 8.4 milliarder. Dessuten gjøres det over 1 milliard stemmedrevne søk hver måned. Dette endrer måten vi får tilgang til informasjon på, ettersom over 50 % av folket får tilgang til talesøk på daglig basis.
Sømløsheten og bekvemmeligheten teknologien tilbyr, har gjort det mulig for tekniske eksperter å planlegge flere applikasjoner, inkludert:
- Transkripsjon av møtenotater, juridiske dokumenter, videoer, podcaster og mer
- Kundeserviceautomatisering gjennom IVR-er – Interactive Voice Response
- Demokratiser vernacular læring i utdanning
- Stemmeassistert navigasjon og assistenter som utfører kommandoer i bilen
- Stemmeaktiverte applikasjoner i detaljhandel for talehandel og mer
Ettersom denne teknologien får økt fremtreden og avhengighet, må vi redusere mangfoldet talegjenkjenningsutfordringer også. Fra medfødt skjevhet i å anerkjenne og forstå ulike aksenter til personvernhensyn, flere utfordringer og bekymringer må lukes ut for å bane vei for et sømløst stemmeaktivert økosystem.
Til syvende og sist peker effektiviteten til denne teknologien på AI-trening og til syvende og sist utfordringer for innsamling av stemmedata. Så, la oss utforske noen av de mest presserende bekymringene i denne sektoren.
[Les også: Den komplette guiden til Conversational AI]
Stemmegjenkjenningsutfordringer i 2024
Mangfold av språk og aksenter
Praktisk talt hver enhet er en stemmeassistent i dag. Fra smart-TVer og personlige assistenter til smarttelefoner og til og med kjøleskap, hver maskin har en innebygd mikrofon og kobles til internett, noe som gjør den klar for talegjenkjenning.
Selv om dette er et utmerket eksempel på globalisering, bør det også tilnærmes i sammenheng med lokalisering. Det fine med språk er at det er utallige aksenter, dialekter, uttaler, hastighet, tone og andre nyanser.
Der talegjenkjenning sliter med å forstå et slikt mangfold i tale fra den globale befolkningen, er dette grunnen til at noen enheter sliter med å hente frem den riktige informasjonen brukere leter etter eller hente opp irrelevant informasjon basert på deres forståelse av stemmen.
Høye kostnader ved datainnsamling
Datainnsamling fra mennesker i den virkelige verden innebærer store investeringer. Begrepet datainnsamling er først og fremst altomfattende og er ofte bare vagt forstått. Når vi nevner datainnsamling og utgiftene rundt det, mener vi også innsats i form av:
- Krav til taledatavolum er dynamisk avhengig av kostnadene ved opptak og mastering. Dessuten kan utgiftene variere avhengig av applikasjonsdomenet, hvor taledata fra helsetjenester kan være dyrere enn taledata fra detaljhandel, hovedsakelig på grunn av dataknapphet.
- Transkripsjons- og merknadsutgifter involvert i å gjøre rå taledata om til modellopplærbare data
- Utgifter til datarensing og kvalitetskontroll for å fjerne støy, bakgrunnslyder, langvarig stillhet, feil i taler og mer
- Utgifter forbundet med kompensasjoner til bidragsytere
- Skalerbarhetsproblemer der kostnadene eskaleres over tid og mer
Tid som en utgift i datainnsamling
Det er to forskjellige typer utgifter - penger og penger. Mens kostnader peker på penger, bidrar innsats og tid investert i å samle inn taledata til pengenes verdi. Uavhengig av omfanget av et prosjekt, innebærer innsamling av taledata lange tidslinjer i datainnsamling.
I motsetning til innsamling av bildedata, er tiden som kreves for å implementere kvalitetskontroller mer. Dessuten er det flere faktorer som påvirker hver ok-testet stemmefil. Dette kan ta tid å:
- Standardiser filformater som mp3, ogg, flac og mer
- Flagging av støyende og forvrengte lydfiler
- Klassifisering og avvisning av følelser og toner i stemmedata og mer
Utfordringer rundt personvern og sensitivitet
Hvis du kommer til å tenke på det, er en persons stemme en del av deres biometriske. I likhet med hvordan ansikts- og netthinnegjenkjenning fungerer som inngangsporter for å skaffe tilgang til et begrenset inngangspunkt, er en persons stemme også en distinkt egenskap.
Når det er så personlig, oversettes det automatisk til en persons personvern. Så hvordan etablerer du datakonfidensialitet og fortsatt klarer å holde tritt med volumkravene dine i stor skala?
Når det gjelder bruk av kundedata er det en gråsone. Brukere vil ikke passivt bidra til stemmemodellens ytelsesoptimeringsprosesser uten insentiver. Selv med insentiver, kan påtrengende teknikker også gi tilbakeslag.
Selv om åpenhet er nøkkelen, løser den fortsatt ikke volumkravene som er pålagt av prosjekter.
[Les også: Automatisk talegjenkjenning (ASR): Alt en nybegynner trenger å vite]
Løsning for å fikse penger og tidslinjeutgifter i taledata
Partner med en taledataleverandør
Outsourcing er det korteste svaret på denne utfordringen. Å ha et internt team for å kompilere, behandle, revidere og trene stemmedata høres gjennomførbart ut, men er absolutt kjedelig. Det krever utallige menneskelige timer for utførelse, noe som også betyr at teamene dine vil ende opp med å bruke mer tid på å gjøre overflødige oppgaver enn å innovere og avgrense resultater. Med etikk og ansvarlighet også i ligningen, er den ideelle løsningen å henvende seg til en pålitelig leverandør av taledatatjenester som oss – Shaip.
Løsning for å fikse aksent- og dialektvariasjoner
Den ubestridelige løsningen på dette er å bringe inn et rikt mangfold i taledata som brukes til å trene stemmebaserte AI-modeller. Jo bredere spekteret av etnisiteter og dialekter, jo mer er en modell trent til å forstå forskjeller i dialekter, aksenter og uttale.
Veien forover
Etter hvert som vi går videre i veien for å oppnå teknologidrevne alternative virkeligheter, vil stemmemodeller og løsninger bare være mer integrerte. Den ideelle måten er å ta outsourcing-veien for å sikre kvalitet, etiske og massive skalaer av treningsklare stemmedata leveres etter kvalitetssikringer og revisjoner.
Det er nettopp dette vi i Shaip utmerker oss med også. Vårt mangfoldige utvalg av taledata sikrer at prosjektets krav blir sømløst oppfylt og også rullet ut til perfeksjon.
Vi oppfordrer deg til å ta kontakt med oss for dine behov.
