puheentunnistuksesta

Puheentunnistus on tekoälyyn ja signaalinkäsittelyyn perustuva ala, jonka tavoitteena on muuntaa puhe kirjoitetuksi tekstiksi tai suorittaa puheeseen perustuvia toimintoja. Sitä käytetään muun muassa puheohjauksessa älylaitteissa, puhekirjoituksessa, tekstityksessä sekä asiakaspalvelun automatisoinnissa.

Historian ja kehityksen pääpiirteet: varhaiset järjestelmät pystyi tunnistamaan rajoitetun sanaston. Tilastolliset mallit kuten piilotetut Markov-ketjut mullistivat 1980-luvulla. 2000-luvulla syväoppiminen toi merkittäviä parannuksia, ja viime vuosina ovat yleistyneet end-to-end-mallit sekä on-device -tunnistus, joka ei välttämättä vaadi jatkuvaa yhteyttä palvelimeen.

Tekniset periaatteet: puheentunnistus etenee esikäsittelyllä, jossa äänisignaali muunnetaan piirteisiin (esim. MFCC). Tämän jälkeen käytetään akustista mallia ja kielimallia sekä dekoodausmenetelmää. Menetelmät vaihtelevat perinteisistä HMM/DNN-yhdistelmistä nykyaikaisiin end-to-end-malleihin, kuten CTC- tai attention-pohjaisiin verkoihin. Suurten datamäärien ja laskentatehon avulla saavutetaan parempaa tarkkuutta eri kielillä ja akustisissa ympäristöissä.

Sovellukset ja haasteet: sovelluksia ovat puhekirjoitus, puheohjaus, puheenseurantajat ja tekstitykset. Haasteisiin kuuluvat melu, erillaiset aksentit ja murteet, monikielisyys sekä yksityisyyteen ja eettisyyteen liittyvät näkökulmat, kuten rekisteröidyn puheen käyttö ja datan hallinta. Arvioinnissa keskeisin mittari on WER (word error rate); lisäksi käytetään CER:ia (character error rate) joissain kielissä.

Tulevaisuus: kehitys suuntautuu entistä nopeampaan, monikielisempään ja yksityisyyttä korostavaan tunnistukseen, usein myös laitteen päällä tapahtuvaan prosessointiin sekä parempaan sopeutumiseen erilaisiin äänteisiin ja puhujakohtaisiin eroihin.