Изкуствен интелект разпознава гласа на един човек сред обшия шум от много хора

За да се концентрираме върху думите на един човек на фона на разговорите на много хора, не се изискват почти никакви усилия. Но досега за машините това бе невъзможно.

По време на събитието R&D Open House в Токио японската компания Mitsubishi Electric представи нова технология за разпознаване на човешка реч. ИИ успешно разделя и разпознава гласовете на един от двама души, едновременно говорещи в един и същ микрофон, но на различни езици. Разпознаването става почти в реално време, като максималното закъснение е 3 секунди. Точността на разпознаване е 90%, а когато трима души заговорят едновременно, точността пада до 80%.

Високата точност е постигната с използването на разновидност на Deep Clustering. Невронната мрежа разделя речта на малки частици, а специален алгоритъм избира елементите с общи черти.

Важно достойнство на на новата система за разпознаване на човешка реч е, че не се налага предварително обучение или каквато и да е предварителна настройка за работа с гласа на определен човек и работи със всякакви гласове без предварителна подготовка. Точността на работа не зависи от езика, на който се говори. „Новата технология ще използваме в места, където е необходима висока точност на разпознаване, като например управлението на новите автомобили, в асансьорите, битовите прибори и други електронни устройства“ – каза Йохеи Окато (Yohei Okato), представител на Mitsubishi Electric.