For et par årtier tilbage, hvis vi skulle fortælle nogen, at vi kunne afgive en ordre på et produkt eller en tjeneste blot ved at tale med en maskine, ville folk have klassificeret os som mærkelige. Men i dag er det en sådan vild drøm, der er blevet levende og virkelighed.
Begyndelsen og udviklingen af talegenkendelsesteknologi har været lige så fascinerende som fremkomsten af kunstig intelligens (AI) eller Machine Learning (ML). Den kendsgerning, at vi kan stemme kommandoer til enheder med nul synlige grænseflader, er en ingeniørrevolution, der opsamler forskellige spilskiftende use cases.
For at sætte tingene i perspektiv er over 4.2 milliarder stemmeassistenter aktive i dag, og rapporter viser, at dette tal vil være fordoblet til 8.4 milliarder ved udgangen af 2024. Derudover foretages der over 1 milliard stemmedrevne søgninger hver måned. Dette omformer den måde, vi tilgår information på, da over 50 % af befolkningen bruger stemmesøgning dagligt.
Den sømløshed og bekvemmelighed, som teknologien tilbyder, har gjort det muligt for tekniske eksperter at strategisere flere applikationer, herunder:
- Transskription af mødenotater, juridiske dokumenter, videoer, podcasts og mere
- Kundeserviceautomatisering gennem IVR'er – Interactive Voice Response
- Demokratisering af sproglig læring i uddannelse
- Stemmeassisteret navigation og kommandoudførende assistenter i bilen
- Stemmeaktiverede applikationer i detailhandlen til stemmehandel og mere
Efterhånden som denne teknologi får større fremtrædende plads og afhængighed, er vi også nødt til at afbøde forskellige udfordringer med talegenkendelse . Fra medfødt bias i at genkende og forstå forskellige accenter til bekymringer om privatlivets fred, skal adskillige udfordringer og bekymringer luges ud for at bane vejen for et problemfrit stemmeaktiveret økosystem.
I sidste ende peger effektiviteten af denne teknologi på udfordringer med AI-træning og i sidste ende med indsamling af stemmedata . Lad os derfor udforske nogle af de mest presserende bekymringer i denne sektor.
[Læs også: Den komplette guide til konversationel AI ]
Stemmegenkendelsesudfordringer i 2024
Mangfoldighed af sprog og accenter
Praktisk talt er enhver enhed en stemmeassistent i dag. Fra smart-tv og personlige assistenter til smartphones og endda køleskabe, hver maskine har en indbygget mikrofon og opretter forbindelse til internettet, hvilket gør den klar til talegenkendelse.
Selvom dette er et glimrende eksempel på globalisering, bør det også gribes an i forbindelse med lokalisering. Det smukke ved sprog er, at der er utallige accenter, dialekter, udtaler, hastighed, tone og andre nuancer.
Hvor talegenkendelseskampe ligger i at forstå en sådan mangfoldighed i tale fra den globale befolkning, er dette grunden til, at nogle enheder kæmper for at hente den rigtige information, som brugerne leder efter, eller hente irrelevant information baseret på deres forståelse af stemmen.
Høje omkostninger til dataindsamling
Dataindsamling fra mennesker i den virkelige verden involverer store investeringer. Begrebet dataindsamling er primært altomfattende og er ofte kun vagt forstået. Når vi nævner dataindsamling og omkostningerne omkring den, mener vi også indsats i forhold til:
- Kravene til taledatavolumen er dynamisk afhængige af omkostningerne ved optagelse og mastering. Udgifterne kan desuden variere afhængigt af applikationsdomænet, hvor taledata fra sundhedssektoren kan være dyrere end taledata i detailhandlen, primært på grund af dataknaphed.
- Transskriptions- og annoteringsudgifter involveret i at omdanne rå taledata til modeltræningsbare data
- Udgifter til datarensning og kvalitetskontrol for at fjerne støj, baggrundslyde, langvarige tavsheder, fejl i taler og mere
- Udgifter forbundet med kompensation til bidragydere
- Skalerbarhedsproblemer, hvor omkostningerne eskaleres over tid og mere
Tid som en udgift i dataindsamling
Der er to forskellige typer udgifter – penge og pengenes værdi. Mens omkostninger er penge, bidrager indsatsen og den tid, der investeres i indsamling af stemmedata, til pengenes værdi. Uanset projektets omfang involverer indsamling af stemmedata lange tidsfrister.
I modsætning til billeddataindsamling er den tid, der kræves til at implementere kvalitetstjek, længere. Desuden er der flere faktorer, der påvirker hver okay-testet stemmefil. Det kan tage tid at:
- Standardiser filformater såsom mp3, ogg, flac og mere
- Markering af støjende og forvrængede lydfiler
- Klassificering og afvisning af følelser og toner i stemmedata og mere
Udfordringer omkring databeskyttelse og følsomhed
Hvis du kommer til at tænke på det, er en persons stemme en del af deres biometriske. I lighed med hvordan ansigts- og nethindegenkendelse fungerer som gateways til at skaffe adgang til et begrænset indgangssted, er en persons stemme også en særegen egenskab.
Når det er så personligt, oversættes det automatisk til en persons privatliv. Så hvordan etablerer du datafortrolighed og stadig formår at holde trit med dine volumenkrav i stor skala?
Når det kommer til at bruge kundedata, er det en gråzone. Brugere ønsker ikke passivt at bidrage til din stemmemodels præstationsoptimeringsprocesser uden incitamenter. Selv med incitamenter kan påtrængende teknikker også give tilbageslag.
Selvom gennemsigtighed er nøglen, løser det stadig ikke de volumenkrav, som projekter stiller.
[Læs også: Automatisk talegenkendelse (ASR): Alt hvad en nybegynder behøver at vide ]
Løsning til fastsættelse af penge og tidslinjeudgifter i stemmedata
Partner med en stemmedataudbyder
Outsourcing er det korteste svar på denne udfordring. At have et internt team til at kompilere, behandle, revidere og træne stemmedata lyder gennemførligt, men er absolut kedeligt. Det kræver utallige menneskelige timer til udførelse, hvilket også betyder, at dine teams vil ende med at bruge mere tid på at udføre overflødige opgaver end på at innovere og forfine resultater. Med etik og ansvarlighed også i ligningen, er den ideelle løsning at henvende sig til en betroet taledatatjenesteudbyder som os – Shaip.
Løsning til at rette op på accent- og dialektvariabilitet
Den ubestridelige løsning på dette er at bringe rig mangfoldighed i taledata, der bruges til at træne stemmebaserede AI-modeller. Jo bredere vifte af etniciteter og dialekter er, jo mere er en model trænet til at forstå forskelle i dialekter, accenter og udtale.
Vejen frem
Efterhånden som vi gør yderligere fremskridt på vejen mod at opnå teknologidrevne alternative virkeligheder, vil stemmemodeller og -løsninger kun blive mere integrerede. Den ideelle måde er at vælge outsourcing for at sikre, at kvalitetssikrede, etiske og massive mængder træningsklare stemmedata leveres efter kvalitetssikring og revisioner.
Det er præcis det, vi hos Shaip også udmærker os i. Vores mangfoldige udvalg af taledata sikrer, at dit projekts krav opfyldes problemfrit og også rulles ud til perfektion.
Vi opfordrer dig til at kontakte os for dine behov.
