kõnetuvastusele

Kõnetuvastus (eesti keeles “kõnetuvastus”) on tehnoloogia, mis võimaldab arvutitel inimesel ülallevinud kõne sügavõppe, signaalitöötluse ja keelemodelleerimise meetodite abil strukturaalselt mõista ja töödelda. Keskkomponentide hulka kuuluvad sagedusseadusliku signaali eraldamine mikrofoniliste sisendite kaudu, heli- või akustilise mudeli kasutamine, mis näitab, millised helid seostuvad nimetatud alufunktsioonidega, ning keeleline mudel, mis tõlgendab heliribad tekstiara või loomulikuks keele väljenduseks. Dekodeerimise algoritmid ühendavad need osad, et tuvastada sõnad, fraasid ja nende tähendused.

Keskkonduring stõrudest ja aktsentidest pakuvad märkimisväärne väljakutse. Algemad süsteemid, mis põhinesid konkreetsete fonemaste musteridega, olid skaalatulemustega räsja või üsna nõrgsed. Tänapäeval kasutatakse sügavat neurovõrgustikku, eriti densi konvolutsioonvõrke, rohelisi RNN‑eid ja transformaatoreid, mis annavad kasutajatele täpsema ja usaldusväärsema kogemuse muljetavaldavaid aktsentide ja dialekti erisustest.

Kasutusvaldkonnad ulatuvad hüüavate kõneassistendid nagu Siri, Alexa ja Google Assistant, audio- ja videodel ja -toimetuva sisuga sisestamistarkvara, kui ka tasja süsteemide automaatne aruandlus ning infopäringute kohandatud päringute kaudu. Uuringus üha enam pannakse rõhku sujuvatele hüpoteesi ja edukale kasutajapoole ebasungile, et luua täielikult vajaliku lahenduse, mis tõakaeb ja ei nõua probleemi lahendamist käsitsi.

Käesolev areng tõmbab liajääga tehnoloogiat kaugemale automaatikast ning võimaldab laialdasemat lingitud ja uute keelte ühendamist kodulisse ja töökeskkonda.