די נומער פון אַפּלאַקיישאַנז און די וויכטיקייט פון קול ינטערפייסיז וואַקסן ראַפּאַדלי

אַן אמעריקאנער משפּחה אין פּאָרטלאַנד, אָרעגאָן האָט לעצטנס געלערנט אַז אַלעקס ס קול אַסיסטאַנט רעקאָרדעד זייער פּריוואַט טשאַץ און געשיקט זיי צו אַ פרייַנד. די באַזיצער פון די הויז, דאַבד Danielle דורך די מידיאַ, האָט געזאָגט צו רעפּאָרטערס אַז זי וואָלט "קיינמאָל פאַרבינדן דעם מיטל ווידער ווייַל זי קען נישט זיין טראַסטיד."

אַלעקסאַ, צוגעשטעלט דורך עקאָו ספּיקערז (1) און אנדערע גאַדזשאַץ אין טענס פון מיליאַנז פון יו. דעם מיטל אַז אפילו אויב די וואָרט "אַלעקסאַ" איז דערמאנט אין אַ טעלעוויזיע אַד, די מיטל קען אָנהייבן רעקאָרדינג. אַז ס פּונקט וואָס געטראפן אין דעם פאַל, זאגט אַמאַזאָן, די ייַזנוואַרג דיסטריביאַטער.

"די רעשט פון די שמועס איז ינטערפּראַטאַד דורך די קול אַסיסטאַנט ווי אַ באַפֿעל צו שיקן אַ אָנזאָג," די פירמע האט געזאגט אין אַ דערקלערונג. "אין עטלעכע פונט, Alexa הילכיק געפרעגט: "צו וועמען?" די קאַנטיניויישאַן פון די משפּחה שמועס וועגן כאַרדוווד פלאָרינג זאָל זיין באמערקט דורך די מאַשין ווי אַ נומער אויף דער קונה ס קאָנטאַקט רשימה. אין מינדסטער דאָס איז וואָס אַמאַזאָן מיינט. אזוי, די איבערזעצונג איז רידוסט צו אַ סעריע פון ​​אַקסאַדאַנץ.

די דייַגעס, אָבער, בלייבט. ווייַל פֿאַר עטלעכע סיבה אין אַ הויז ווו מיר נאָך פּעלץ אין יז, מיר האָבן צו אַרייַן עטלעכע מין פון "קול מאָדע", זען וואָס מיר זאָגן, וואָס די טעלעוויזיע איז בראָדקאַסט און, פון קורס, וואָס דער נייַ רעדנער אויף די קאַסטן פון גאַטקעס זאגט . אונדז.

פונדעסטוועגן, טראָץ טעכנאָלאָגיע ימפּערפעקשאַנז און פּריוואַטקייט קאַנסערנז, מיט די העכערונג אין פּאָפּולאַריטעט פון דעוויסעס ווי די Amazon Echo, מענטשן אָנהייבן צו באַקומען געוויינט צו דעם געדאַנק פון ינטעראַקטינג מיט קאָמפּיוטערס מיט זייער קול..

ווי Werner Vogels, CTO פון Amazon, האָט אָנגעוויזן בעשאַס זיין AWS re: Invent סעסיע אין שפּעט 2017, טעכנאָלאָגיע האט ביז איצט לימיטעד אונדזער פיייקייט צו ינטעראַקט מיט קאָמפּיוטערס. מיר אַרייַן טערמינען אין Google ניצן די קלאַוויאַטור, ווייַל דאָס איז נאָך די מערסט פּראָסט און יזיאַסט וועג צו אַרייַן אינפֿאָרמאַציע אין אַ מאַשין.

וואָגעלס געזאגט. —

גרויס פיר

ווען מיר נוצן די Google זוכן מאָטאָר אויף די טעלעפאָן, מיר מיסטאָמע באמערקט אַ מיקראָפאָן צייכן מיט אַ רופן צו רעדן אַ לאַנג צייַט צוריק. דאס גוגל איצט (2), וואָס קענען דיקטירן אַ זוכן אָנפֿרעג, אַרייַן אַ אָנזאָג דורך קול, אאז"ו ו. אין די לעצטע יאָרן, Google, עפּל, און אַמאַזאָן האָבן זייער ימפּרוווד קול דערקענונג טעכנאָלאָגיע. קול אַסיסטאַנץ ווי Alexa, Siri און Google אַססיסטאַנט רעקאָרדירן ניט בלויז דיין קול, אָבער אויך פֿאַרשטיין וואָס איר זאָגן צו זיי און ענטפֿערן פֿראגן.

Google איצט איז פריי פֿאַר אַלע אַנדרויד יוזערז. די אַפּלאַקיישאַן קענען, למשל, שטעלן אַ שרעק, קאָנטראָלירן די וועטער פאָרויסזאָגן און קאָנטראָלירן די מאַרשרוט אויף Google מאַפּס. קאָנווערסאַטיאָנאַל פאַרלענגערונג פון Google איצט שטאַטן גוגל אַססיסטאַנט () - ווירטועל הילף צו דער באַניצער פון די ויסריכט. עס איז בנימצא דער הויפּט אויף רירעוודיק און סמאַרט היים דעוויסעס. ניט ענלעך Google איצט, עס קענען אָנטייל נעמען אין אַ צוויי-וועג וועקסל. דער אַסיסטאַנט דעבוטיד מאי 2016 ווי אַ טייל פון די Google מעסידזשינג אַפּ Allo, ווי געזונט ווי אין די Google היים קול רעדנער (3).

3. Google היים

די IOS סיסטעם אויך האט זיין אייגענע ווירטועל אַסיסטאַנט, סירי, וואָס איז אַ פּראָגראַם אַרייַנגערעכנט מיט עפּל ס אָפּערייטינג סיסטעמען יאָס, וואַטטשאָס, טוואָס האָמעפּאָד און מאַקאָס. סירי דעבוטירט מיט יאָס 5 און די יפאָנע 4 ס אין אקטאבער 2011 ביי די Let's Talk iPhone זיצונג.

די ווייכווארג איז באזירט אויף אַ קאַנווערסיישאַנאַל צובינד: עס אנערקענט די באַניצער ס נאַטירלעך רעדע (מיט יאָס 11 עס איז אויך מעגלעך צו אַרייַן קאַמאַנדז מאַניואַלי), ענטפֿערן פֿראגן און פאַרענדיקן טאַסקס. דאַנק צו די הקדמה פון מאַשין לערנען, אַ אַסיסטאַנט איבער צייַט אַנאַליזעס פּערזענלעך פּרעפֿערענצן דער באַניצער צו צושטעלן מער באַטייַטיק רעזולטאַטן און רעקאַמאַנדיישאַנז. Siri ריקווייערז אַ קעסיידערדיק אינטערנעט פֿאַרבינדונג - די הויפּט מקורים פון אינפֿאָרמאַציע דאָ זענען Bing און Wolfram Alpha. יאָס 10 ינטראָודוסט שטיצן פֿאַר דריט-פּאַרטיי יקסטענשאַנז.

נאָך איינער פון די פיר גרויס קאָרטאַנאַ. עס איז אַן ינטעליגענט פּערזענלעך אַסיסטאַנט באשאפן דורך מייקראָסאָפֿט. עס איז געשטיצט אויף Windows 10, Windows 10 מאָביל, Windows Phone 8.1, Xbox One, Skype, Microsoft Band, Microsoft Band 2, Android און iOS Platforms. Cortana איז געווען ערשטער באַקענענ ביי די מיקראָסאָפט בויען דעוועלאָפּער קאָנפֿערענץ אין אפריל 2014 אין סאַן פֿראַנסיסקאָ. דער נאָמען פון די פּראָגראַם קומט פון די נאָמען פון אַ כאַראַקטער פון די Halo שפּיל סעריע. Cortana איז בנימצא אין ענגליש, איטאַליעניש, שפּאַניש, פראנצויזיש, דייַטש, כינעזיש און יאַפּאַניש.

ניצערס פון די שוין דערמאנט פּראָגראַם אַלעקסאַ זיי מוזן אויך באַטראַכטן שפּראַך ריסטריקשאַנז - דער דיגיטאַל אַסיסטאַנט רעדט בלויז ענגליש, דייַטש, פראנצויזיש און יאַפּאַניש.

דער אַמאַזאָן ווירטואַל אַססיסטאַנט איז געווען ערשטער געניצט אין די Amazon Echo און Amazon Echo Dot סמאַרט ספּיקערז דעוועלאָפּעד דורך Amazon Lab126. עס גיט קול ינטעראַקשאַן, מוזיק פּלייבאַק, צו-טאָן רשימה שאַפונג, שרעק באַשטעטיקן, פּאָדקאַסט סטרימינג, אַודיאָבאָאָק פּלייבאַק און פאַקטיש-צייט וועטער, פאַרקער, ספּאָרט און אנדערע נייַעס אינפֿאָרמאַציע אַזאַ ווי נייַעס (4). Alexa קענען קאָנטראָלירן קייפל סמאַרט דעוויסעס צו שאַפֿן אַ היים אָטאַמיישאַן סיסטעם. עס קענען אויך זיין געוויינט צו מאַכן באַקוועם שאַפּינג אין דער אַמאַזאָן קראָם.

4. וואָס יוזערז נוצן עקאָו פֿאַר (לויט פאָרשונג)

יוזערז קענען פאַרבעסערן די Alexa דערפאַרונג דורך ינסטאָלינג Alexa "סקילז" (), נאָך פֿעיִקייטן דעוועלאָפּעד דורך דריט פּאַרטיעס, מער קאַמאַנלי ריפערד צו ווי אַפּפּס אַזאַ ווי וועטער און אַודיאָ מגילה אין אנדערע סעטטינגס. רובֿ Alexa דעוויסעס לאָזן איר צו אַקטאַווייט דיין ווירטואַל אַסיסטאַנט מיט אַ וועקן-אַרויף פּאַראָל, גערופֿן אַ .

אַמאַזאָן באשטימט דאַמאַנייץ די קלוג רעדנער מאַרק הייַנט (5). יבם, וואָס ינטראָודוסט אַ נייַע דינסט מערץ 2018, איז טריינג צו אַרייַן די שפּיץ פיר וואַצאָן ס אַסיסטאַנט, דיזיינד פֿאַר קאָמפּאַניעס וואָס ווילן צו שאַפֿן זייער אייגענע סיסטעמען פון ווירטואַל אַסיסטאַנץ מיט קול קאָנטראָל. וואָס איז די מייַלע פון ​​די IBM לייזונג? לויט צו פירמע פארשטייערס, ערשטער פון אַלע, אויף פיל גרעסערע אַפּערטונאַטיז פֿאַר פּערסאַנאַלאַזיישאַן און פּריוואַטקייט שוץ.

ערשטער, Watson Assistant איז נישט בראַנדיד. קאָמפּאַניעס קענען מאַכן זייער אייגענע סאַלושאַנז אויף דעם פּלאַטפאָרמע און שטעלן זיי מיט זייער אייגענע סאָרט.

צווייטנס, זיי קענען באַן זייער אַסיסטיוו סיסטעמען ניצן זייער אייגענע דאַטן שטעלט, וואָס IBM זאגט מאכט עס גרינגער צו לייגן פאַנגקשאַנז און קאַמאַנדז צו דעם סיסטעם ווי אנדערע VUI (קול באַניצער צובינד) טעקנאַלאַדזשיז.

דריטנס, Watson Assistant גיט נישט IBM אינפֿאָרמאַציע וועגן באַניצער טעטיקייט - דעוועלאָפּערס פון סאַלושאַנז אויף דער פּלאַטפאָרמע קענען בלויז האַלטן ווערטפול דאַטן פֿאַר זיך. דערווייַל, ווער עס יז וואָס בויען דעוויסעס, למשל מיט Alexa, זאָל זיין אַווער אַז זייער ווערטפול דאַטן וועט ענדיקן אויף אַמאַזאָן.

Watson Assistant האט שוין עטלעכע ימפּלאַמאַנץ. די סיסטעם איז געניצט, למשל, דורך האַרמאַן, וואָס באשאפן אַ קול אַסיסטאַנט פֿאַר די מאַסעראַטי באַגריף מאַשין (6). אין מינכן ערפּאָרט, אַן יבם אַסיסטאַנט מאַכט אַ פּעפּער ראָבאָט צו העלפן פּאַסאַנדזשערז מאַך אַרום. די דריטע ביישפּיל איז טשאַמעלעאָן טעטשנאָלאָגיעס, ווו קול טעכנאָלאָגיע איז געניצט אין אַ קלוג היים מעטער.

6. וואַצאָן אַססיסטאַנט אין אַ מאַסעראַטי באַגריף מאַשין

עס איז ווערט צו לייגן אַז די אַנדערלייינג טעכנאָלאָגיע דאָ איז אויך נישט נייַ. וואַצאָן אַססיסטאַנט ינקלודז ענקריפּשאַן קייפּאַבילאַטיז פֿאַר יגזיסטינג יבם פּראָדוקטן, וואַצאָן שמועס און וואַצאָן ווירטואַל אַגענט, ווי געזונט ווי אַפּיס פֿאַר שפּראַך אַנאַליסיס און שמועסן.

אַמאַזאָן איז ניט בלויז אַ פירער אין קלוג קול טעכנאָלאָגיע, אָבער איז טורנינג עס אין אַ דירעקט געשעפט. אָבער, עטלעכע קאָמפּאַניעס האָבן עקספּערימענטעד מיט Echo ינאַגריישאַן פיל פריער. Sisense, אַ פירמע אין די BI און אַנאַליטיקס אינדוסטריע, באַקענענ די Echo ינאַגריישאַן אין יולי 2016. אין קער, סטאַרטאַפּ ראָקסי באַשלאָסן צו שאַפֿן זיין אייגענע ווייכווארג און ייַזנוואַרג מיט קול קאָנטראָל פֿאַר די האָספּיטאַליטי אינדוסטריע. פריער דעם יאָר, Synqq ינטראָודוסט אַ באַמערקונג-נעמען אַפּ וואָס ניצט קול און נאַטירלעך שפּראַך פּראַסעסינג צו לייגן הערות און קאַלענדאַר איינסן אָן צו דרוקן זיי אויף אַ קלאַוויאַטור.

אַלע פון ​​די קליין געשעפטן האָבן הויך אמביציעס. רובֿ פון אַלע, אָבער, זיי געלערנט אַז ניט יעדער באַניצער וויל צו אַריבערפירן זייער דאַטן צו אַמאַזאָן, גוגל, עפּל אָדער מייקראָסאָפֿט, וואָס זענען די מערסט וויכטיק פּלייַערס אין בנין קול קאָמוניקאַציע פּלאַטפאָרמס.

אמעריקאנער ווילן צו קויפן

אין 2016, קול זוכן אַקאַונאַד פֿאַר 20% פון אַלע Google רירעוודיק אָנפֿרעגן. מענטשן וואָס נוצן דעם טעכנאָלאָגיע אויף אַ טעגלעך יקער ציטירן זייַן קאַנוויניאַנס און מולטיטאַסקינג צווישן די ביגאַסט בענעפיץ. (למשל, די פיייקייט צו נוצן אַ זוכן מאָטאָר בשעת דרייווינג אַ מאַשין).

Visiongain אַנאַליס אָפּשאַצן די קראַנט מאַרק ווערט פון קלוג דיגיטאַל אַסיסטאַנץ בייַ $ 1,138 ביליאָן עס זענען מער און מער אַזאַ מעקאַניזאַמז. לויט גאַרטנער, ביז דעם סוף פון 2018 שוין 30% פון אונדזער ינטעראַקשאַנז מיט טעכנאָלאָגיע וועט זיין דורך שמועסן מיט קול סיסטעמען.

בריטיש פאָרשונג פירמע IHS Markit עסטאַמאַץ אַז דער מאַרק פֿאַר אַי-פּאַוערד דיגיטאַל אַסיסטאַנץ וועט דערגרייכן 4 ביליאָן דעוויסעס אין די סוף פון דעם יאָר, און די נומער קען העכערונג צו 2020 ביליאָן אין 7.

לויט ריפּאָרץ פון eMarketer און VoiceLabs, 2017 מיליאָן אמעריקאנער געוויינט קול קאָנטראָל לפּחות אַמאָל אַ חודש אין 35,6. דעם מיטל אַ פאַרגרעסערן פון כּמעט 130% איבער די פריערדיקע יאָר. די דיגיטאַל אַסיסטאַנט מאַרק אַליין איז געריכט צו וואַקסן מיט 2018% אין 23. דעם מיטל אַז איר וועט שוין נוצן זיי. 60,5 מיליאָן אמעריקאנער, וואָס וועט רעזולטאַט אין באַטאָנען געלט פֿאַר זייער פּראָדוסערס. RBC Capital Markets עסטאַמאַץ אַז די Alexa צובינד וועט דזשענערייט אַרויף צו $ 2020 ביליאָן אין רעוועך פֿאַר אַמאַזאָן אין 10.

וואַשן, באַקן, רייניקן!

קול ינטערפייסיז זענען ינקריסינגלי דרייסט אריין אין די היים אַפּפּליאַנסעס און קאַנסומער עלעקטראָניק מארקפלעצער. דאס האט מען שוין געקענט זען ביי די פאריגע יאר'ס IFA 2017 עקסהיביטיאָן. די אמעריקאנער פירמע Neato Robotics האט אריינגעברענגט, למשל, א ראָבאָט וואַקוום קלינער וואָס פארבינדט זיך מיט איינע פון ​​עטליכע סמארט היימיש פלאטפארמען, אריינגערעכנט דעם עמעזאן עקאו סיסטעם. דורך רעדן צו די Echo סמאַרט רעדנער, איר קענען אָנווייַזן די מאַשין צו ריין דיין גאנצע הויז אין ספּעציפיש צייט פון טאָג אָדער נאַכט.

אנדערע שטימע אַקטיווייטיד פּראָדוקטן זענען געוויזן אין די ווייַזן, ריינדזשינג פון קלוג טעלעוויזיע סאָלד אונטער די טאָשיבאַ סאָרט דורך די טערקיש פירמע וועסטעל צו העאַטעד בלאַנגקאַץ דורך די דייַטש פירמע Beurer. פילע פון ​​די עלעקטראָניש דעוויסעס קענען אויך זיין רימאָוטלי אַקטיווייטיד מיט סמאַרטפאָנעס.

אָבער, לויט Bosch פארשטייערס, עס איז צו פרי צו זאָגן וואָס פון די היים אַסיסטאַנט אָפּציעס וועט ווערן דאָמינאַנט. אין IFA 2017, אַ דייַטש טעכניש גרופּע געוויזן וואַשמאַשין (7), אָווענס און קאַווע מאשינען וואָס פאַרבינדן צו עקאָו. Bosch אויך וויל אַז זיין דעוויסעס זאָל זיין קאַמפּאַטאַבאַל מיט Google און עפּל קול פּלאַטפאָרמס אין דער צוקונפֿט.

7. באָש וואַשמאַשין וואָס קאַנעקץ צו Amazon Echo

קאָמפּאַניעס אַזאַ ווי Fujitsu, Sony און Panasonic אַנטוויקלען זייער אייגענע אַי-באזירט קול אַססיסטאַנט סאַלושאַנז. שאַרפּ איז אַדינג דעם טעכנאָלאָגיע צו אָווענס און קליין ראָובאַץ וואָס אַרייַן די מאַרק. Nippon Telegraph & Telephone איז הירינג מאַניאַפאַקטשערערז פון ייַזנוואַרג און צאַצקע צו אַדאַפּט אַ קול-קאַנטראָולד קינסטלעך סייכל סיסטעם.

אַלט באַגריף. איז איר צייט לעסאָף געקומען?

אין פאַקט, דער באַגריף פון Voice User Interface (VUI) איז געווען אַרום פֿאַר דעקאַדעס. ווער עס יז וואס וואָטשט שטערן טרעק אָדער 2001: א ספעיס אָדיססיי מיט יאָרן צוריק מיסטאָמע דערוואַרט אַז אַרום די יאָר 2000 מיר וועלן אַלע קאָנטראָלירן קאָמפּיוטערס מיט אונדזער קולות. אויך, עס איז געווען ניט בלויז וויסנשאַפֿט בעלעטריסטיק שרייבערס וואָס האָבן געזען די פּאָטענציעל פון דעם טיפּ פון צובינד. אין 1986, Nielsen ריסערטשערז געפרעגט IT פּראָפעססיאָנאַלס וואָס זיי געדאַנק וואָלט זיין די ביגאַסט ענדערונג אין באַניצער ינטערפייסיז אין די יאָר 2000. זיי רובֿ אָפט שפּיציק צו דער אַנטוויקלונג פון קול ינטערפייסיז.

עס זענען סיבות צו האָפֿן פֿאַר אַזאַ אַ לייזונג. מינדלעך קאָמוניקאַציע איז, נאָך אַלע, די מערסט נאַטירלעך וועג פֿאַר מענטשן צו קאַנשאַסלי וועקסל געדאנקען, אַזוי ניצן עס פֿאַר מענטש-מאַשין ינטעראַקשאַן סימז ווי דער בעסטער לייזונג ביז איצט.

איינער פון די ערשטער VUIs, גערופֿן שוך קעסטל, איז באשאפן אין די פרי 60 ס דורך יבם. עס איז געווען דער פאָרויסגייער פון די הייַנט ס קול דערקענונג סיסטעמען. אָבער, די אַנטוויקלונג פון VUI דעוויסעס איז לימיטעד דורך די לימאַץ פון קאַמפּיוטינג מאַכט. פּאַרסינג און ינטערפּריטיישאַן פון מענטשלעך רייד אין פאַקטיש צייט ריקווייערז אַ פּלאַץ פון מי, און עס גענומען מער ווי פופציק יאר צו דערגרייכן דעם פונט ווו עס איז פאקטיש געווארן מעגלעך.

דיווייסאַז מיט אַ קול צובינד אנגעהויבן צו דערשייַנען אין מאַסע פּראָדוקציע אין די מיטן 90 ס, אָבער האט נישט געווינען פּאָפּולאַריטעט. דער ערשטער טעלעפאָן מיט קול קאָנטראָל (דיילינג) איז געווען פיליפּס ספּאַרקבאפרייט אין 1996. אָבער, דעם ינאַווייטיוו און גרינג-צו-נוצן מיטל איז נישט פריי פון טעקנאַלאַדזשיקאַל לימיטיישאַנז.

אנדערע פאָנעס יקוויפּט מיט פארמען פון קול צובינד (באשאפן דורך קאָמפּאַניעס אַזאַ ווי RIM, סאַמסונג אָדער מאָטאָראָלאַ) קעסיידער שלאָגן די מאַרק, אַלאַוינג ניצערס צו רעדל דורך קול אָדער שיקן טעקסט אַרטיקלען. אלע האבן אבער געדארפט מעמערירן ספעציפישע באפעלן און זיי ארויסרעדן אין א געצווונגען קינסטלעך פארם, צוגעפאסט צו די פעאיקייטן פון די דאזיקע מכשירים. דעם דזשענערייטאַד אַ גרויס נומער פון ערראָרס, וואָס, אין קער, געפֿירט צו באַניצער דיסאַטיספאַקשאַן.

אָבער, מיר איצט אַרייַן אַ נייַע תקופה פון קאַמפּיוטינג, אין וואָס אַדוואַנסיז אין מאַשין לערנען און קינסטלעך סייכל אַנלאַקינג די פּאָטענציעל פון שמועס ווי אַ נייַע וועג צו ינטעראַקט מיט טעכנאָלאָגיע (8). די נומער פון דעוויסעס וואָס שטיצן קול ינטעראַקשאַן איז געווארן אַ וויכטיק פאַקטאָר וואָס האט אַ גרויס פּראַל אויף די אַנטוויקלונג פון VUI. הייַנט, כּמעט 1/3 פון די וועלט 'ס באַפעלקערונג שוין אָונז סמאַרטפאָנעס וואָס קענען זיין געוויינט פֿאַר דעם טיפּ פון נאַטור. עס קוקט ווי רובֿ יוזערז זענען לעסאָף גרייט צו אַדאַפּט זייער קול ינטערפייסיז.

8. מאָדערן געשיכטע פון ​​דער אַנטוויקלונג פון די קול צובינד

אָבער, איידער מיר קענען פריי רעדן צו אַ קאָמפּיוטער, ווי די אותיות פון A Space Odyssey, מיר מוזן באַקומען אַ נומער פון פראבלעמען. מאשינען זענען נאָך נישט זייער גוט אין האַנדלינג לינגגוויסטיק נואַנסיז. אַחוץ פילע מענטשן נאָך פילן ומבאַקוועם געבן קול קאַמאַנדז צו אַ זוכן מאָטאָר.

סטאַטיסטיק ווייַזן אַז קול אַסיסטאַנץ זענען געניצט בפֿרט אין שטוב אָדער צווישן נאָענט פרענדז. קיינער פון די ינטערוויודד האָט נישט אַדמיטאַד צו נוצן קול זוכן אין ציבור ערטער. אָבער, דעם בלאַקייד איז מסתּמא צו פאַרשווינדן מיט די פאַרשפּרייטן פון דעם טעכנאָלאָגיע.

טעקניקלי שווער קשיא

די פּראָבלעם וואָס סיסטעמען (ASR) האָבן איז עקסטראַקט נוציק דאַטן פון אַ רעדע סיגנאַל און אַססאָסיאַטיאָן עס מיט אַ זיכער וואָרט וואָס האט אַ זיכער טייַטש פֿאַר אַ מענטש. די סאָונדס געשאפן זענען אַנדערש יעדער מאָל.

רייד סיגנאַל וועריאַביליטי איז איר נאַטירלעך פאַרמאָג, אַ דאַנק וואָס מיר, למשל, דערקענען אַן אַקצענט אָדער ינטאַניישאַן. יעדער עלעמענט פון די רעדע דערקענונג סיסטעם האט אַ ספּעציפיש אַרבעט. באַזירט אויף די פּראַסעסט סיגנאַל און זייַן פּאַראַמעטערס, אַ אַקוסטיש מאָדעל איז באשאפן, וואָס איז פארבונדן מיט די שפּראַך מאָדעל. דער דערקענונג סיסטעם קענען אַרבעטן אויף די יקער פון אַ קליין אָדער גרויס נומער פון פּאַטערנז, וואָס דיטערמאַנז די גרייס פון דעם וואָקאַבולאַרי מיט וואָס עס אַרבעט. זיי קענען זיין קליינע ווערטערביכער אין די פאַל פון סיסטעמען וואָס דערקענען יחיד ווערטער אָדער קאַמאַנדז, ווי געזונט ווי גרויס דאַטאַבייסיז מיט דעם עקוויוואַלענט פון די שפּראַך שטעלן און גענומען אין חשבון די שפּראַך מאָדעל (גראַמאַטיק).

פּראָבלעמס פייסט דורך קול ינטערפייסיז אין דער ערשטער אָרט פֿאַרשטיין רייד ריכטיק, אי ן װעלכ ע ע ם װער ן אפטמא ל איבערגעלאז ט גאנצ ע גראמאטיק ע סיקוואנסן , לינגוויסטיש ע או ן פאנעטיש ע טעותים , פעלערן , פארלאזונגען , רײד־חסרונות , האמאנימען , אומבארעכטיקט ע איבערחזרונגען , אאז״װ . אין מינדסטער דאָס זענען די עקספּעקטיישאַנז.

דער מקור פון שוועריקייטן איז אויך אַקוסטיש סיגנאַלז אנדערע ווי די דערקענט רייד וואָס אַרייַן די אַרייַנשרייַב פון די דערקענונג סיסטעם, ד.ה. אַלע מינים ינטערפיראַנס און ראַש. אין די סימפּלאַסט פאַל, איר דאַרפֿן זיי פילטער אויס. די אַרבעט מיינט רוטין און גרינג - נאָך אַלע, פאַרשידן סיגנאַלז זענען פילטערד און יעדער עלעקטראָניק ינזשעניר ווייסט וואָס צו טאָן אין אַזאַ אַ סיטואַציע. אָבער, דאָס מוזן זיין געטאן זייער קערפאַלי און קערפאַלי אויב דער רעזולטאַט פון רעדע דערקענונג איז צו טרעפן אונדזער עקספּעקטיישאַנז.

די פֿילטרירונג וואָס מען ניצט איצט, מאכט עס מעגלעך צו באַזייַטיקן, צוזאַמען מיט די רעדע סיגנאַל, די פונדרויסנדיק ראַש וואָס די מיקראָפאָן האָט אויפגעהויבן און די אינערלעכע אייגנשאפטן פון די רעדע סיגנאַל זיך, וואָס מאַכן עס שווער צו דערקענען. אָבער, אַ פיל מער קאָמפּליצירט טעכניש פּראָבלעם ערייזאַז ווען די ינטערפיראַנס צו די אַנאַלייזד רעדע סיגנאַל איז ... אן אנדער רעדע סיגנאַל, דאָס איז, פֿאַר בייַשפּיל, הויך דיסקוסיעס אַרום. די קשיא איז באקאנט אין דער ליטעראַטור ווי די אַזוי גערופענע. דעם שוין ריקווייערז די נוצן פון קאָמפּלעקס מעטהאָדס, די אַזוי גערופענע. דעקאָנוואָלוציע (אַנראַוואַל) די סיגנאַל.

די פראבלעמען מיט רעדע דערקענונג טאָן ניט סוף דאָרט. עס איז כדאי צו באמערקן אַז רייד טראגט פילע פאַרשידענע טייפּס פון אינפֿאָרמאַציע. דער מענטש קול סאַגדזשעסץ די דזשענדער, עלטער, פאַרשידענע אותיות פון די באַזיצער אָדער די שטאַט פון זיין געזונט. עס איז אַ ברייט אָפּטיילונג פון ביאָמעדיקאַל ינזשעניעריע וואָס האַנדלט מיט די דיאַגנאָסיס פון פאַרשידן חולאתן באזירט אויף די כאַראַקטעריסטיש אַקוסטיש דערשיינונגען געפונען אין די רעדע סיגנאַל.

עס זענען אויך אַפּלאַקיישאַנז ווו די הויפּט ציל פון אַקוסטיש אַנאַליסיס פון אַ רעדע סיגנאַל איז צו ידענטיפיצירן די רעדנער אָדער באַשטעטיקן אַז ער איז וואָס ער קליימז צו זיין (קול אַנשטאָט פון שליסל, פּאַראָל אָדער PUK קאָד). דאָס קען זיין וויכטיק, ספּעציעל פֿאַר סמאַרט בנין טעקנאַלאַדזשיז.

דער ערשטער קאָמפּאָנענט פון אַ רעדע דערקענונג סיסטעם איז דער מיקראָפאָן. אָבער, דער סיגנאַל פּיקט אַרויף דורך די מיקראָפאָן יוזשאַוואַלי בלייבט פון קליין נוצן. שטודיום ווייַזן אַז די פאָרעם און לויף פון דער געזונט כוואַליע בייַטן זייער דיפּענדינג אויף דעם מענטש, די גיכקייַט פון רייד, און טייל פון די שטימונג פון די ינטערלאַקיאַטער - בשעת זיי אין אַ קליין מאָס פאַרטראַכטנ זיך די עצם אינהאַלט פון די גערעדט קאַמאַנדז.

דעריבער, דער סיגנאַל מוזן זיין ריכטיק פּראַסעסט. מאָדערן אַקוסטיקס, פאָנעטיק און קאָמפּיוטער וויסנשאַפֿט צוזאַמען צושטעלן אַ רייַך גאַנג פון מכשירים וואָס קענען ווערן גענוצט צו פּראָצעס, אַנאַלייז, דערקענען און פֿאַרשטיין אַ רעדע סיגנאַל. די דינאַמיש ספּעקטרום פון די סיגנאַל, די אַזוי גערופענע דינאַמיש ספּעקטראָגראַמס. זיי זענען גאַנץ גרינג צו באַקומען, און רייד, דערלאנגט אין די פאָרעם פון אַ דינאַמיש ספּעקטראָגראַם, איז לעפיערעך גרינג צו דערקענען ניצן טעקניקס ענלעך צו די געניצט אין בילד דערקענונג.

פּשוט עלעמענטן פון רייד (למשל, קאַמאַנדז) קענען זיין אנערקענט דורך די פּשוט ענלעכקייט פון גאַנץ ספּעקטראָגראַמס. צום ביישפּיל, אַ קול-אַקטאַווייטיד מאָביל טעלעפאָן ווערטערבוך כּולל בלויז עטלעכע טענס צו אַ ביסל הונדערט ווערטער און פראַסעס, יוזשאַוואַלי פאַר-סטאַקט אַזוי אַז זיי קענען זיין לייכט און יפישאַנטלי יידענאַפייד. דאָס איז גענוג פֿאַר פּשוט קאָנטראָל טאַסקס, אָבער עס סאַווירלי לימאַץ די קוילעלדיק אַפּלאַקיישאַן. סיסטעמען געבויט לויט די סכעמע, ווי אַ הערשן, שטיצן בלויז ספּעציפיש ספּיקערז פֿאַר וואָס קולות זענען ספּעשאַלי טריינד. אַזוי אויב עס איז עמעצער נייַ וואס וויל צו נוצן זייער קול צו קאָנטראָלירן די סיסטעם, זיי וועלן רובֿ מסתּמא נישט זיין אנגענומען.

דער רעזולטאַט פון דעם אָפּעראַציע איז גערופן 2-וו ספּעקטראָגראַם, דאָס הייסט, אַ צוויי-דימענשאַנאַל ספּעקטרום. עס איז אן אנדער טעטיקייט אין דעם בלאָק וואָס איז ווערט צו באַצאָלן ופמערקזאַמקייט צו - סעגמענטאַטיאָן. אין אַלגעמיין, מיר רעדן וועגן צעברעכן אַ קעסיידערדיק רעדע סיגנאַל אין פּאַרץ וואָס קענען זיין דערקענט סעפּעראַטלי. בלויז פון די יחיד דיאַגנאָסיז איז געמאכט די דערקענונג פון די גאנצע. דעם פּראָצעדור איז נייטיק ווייַל עס איז ניט מעגלעך צו ידענטיפיצירן אַ לאַנג און קאָמפּליצירט רעדע אין איין גיין. מע ן הא ט שוי ן געשריב ן גאנצ ע בענד ן װעג ן װעלכ ע סעגמענט ן צ ו אונטערשײד ן אי ן רעדע־סיגנאל , מי ר װעל ן איצ ט ניש ט באשליסן , צ י ד י אונטערשײד ע סעגמענט ן זאל ן זײ ן פאנעמע ן (קלאנג־עקוויװענטן ), סילאב ן אדע ר אפש ר אלפאנען .

דער פּראָצעס פון אָטאַמאַטיק דערקענונג שטענדיק רעפערס צו עטלעכע פֿעיִקייטן פון אַבדזשעקץ. הונדערטער פון שטעלט פון פאַרשידענע פּאַראַמעטערס זענען טעסטעד פֿאַר די רעדע סיגנאַל צעטיילט אין דערקענט ראָמען און האָבן אויסגעקליבן פֿעיִקייטןוואָס די ראָמען זענען דערלאנגט אין דער דערקענונג פּראָצעס, מיר קענען דורכפירן (פֿאַר יעדער ראַם סעפּעראַטלי) קלאַסאַפאַקיישאַן, ד.ה. אַסיינינג אַ ידענטיפיער צו די ראַם, וואָס וועט פאָרשטעלן עס אין דער צוקונפֿט.

ווייַטער בינע פֿאַרזאַמלונג פון ראָמען אין באַזונדער ווערטער - רובֿ אָפט באזירט אויף די אַזוי גערופענע. מאָדעל פון ימפּליסאַט מאַרקאָוו מאָדעלס (המם-). דערנאָך קומט די מאַנטאַזש פון ווערטער גאַנץ זאצן.

מיר קענען איצט צוריקקומען צו די Alexa סיסטעם פֿאַר אַ מאָמענט. זיין ביישפּיל ווייזט אַ מאַלטי-בינע פּראָצעס פון מאַשין "פארשטאנד" פון אַ מענטש - מער גענוי: אַ באַפֿעל געגעבן דורך אים אָדער אַ קשיא.

פֿאַרשטיין ווערטער, פֿאַרשטיין טייַטש, און פֿאַרשטיין די כוונה פון די באַניצער זענען גאָר פאַרשידענע זאכן.

דעריבער, דער ווייַטער שריט איז די אַרבעט פון די NLP מאָדולע (), די אַרבעט פון וואָס איז דערקענונג פון באַניצער כוונה, ד.ה. דער טייַטש פון די באַפֿעל / קשיא אין דעם קאָנטעקסט אין וואָס עס איז געווען אַטערד. אויב די כוונה איז יידענאַפייד, דעמאָלט אַסיינמאַנט פון אַזוי גערופענע סקילז און אַבילאַטיז, ד"ה די ספּעציפיש שטריך געשטיצט דורך די קלוג אַסיסטאַנט. אין דעם פאַל פון אַ קשיא וועגן די וועטער, וועטער דאַטן קוואלן זענען גערופן, וואָס בלייבט צו זיין פּראַסעסט אין רעדע (TTS - מעקאַניזאַם). ווי אַ רעזולטאַט, דער באַניצער הערט די ענטפער צו די געבעטן קשיא.

קול? גראַפיק קונסט? אָדער אפֿשר ביידע?

רובֿ באקאנט מאָדערן ינטעראַקשאַן סיסטעמען זענען באזירט אויף אַ ינטערמידיערי גערופן גראַפיקאַל באַניצער צובינד (גראַפיקאַל צובינד). צום באַדויערן, די GUI איז נישט די מערסט קלאָר ווי דער טאָג וועג צו ינטעראַקט מיט אַ דיגיטאַל פּראָדוקט. דאָס ריקווייערז אַז ניצערס ערשטער לערנען ווי צו נוצן די צובינד און געדענקען די אינפֿאָרמאַציע מיט יעדער סאַבסאַקוואַנט ינטעראַקשאַן. אין פילע סיטואַטיאָנס, די קול איז פיל מער באַקוועם, ווייַל איר קענען ינטעראַקט מיט די VUI פשוט דורך רעדן צו די מיטל. אַ צובינד וואָס טוט נישט צווינגען ניצערס צו מעמערייז און מעמערייז זיכער קאַמאַנדז אָדער ינטעראַקשאַן מעטהאָדס ז ווייניקערע פראבלעמען.

פון קורס, די יקספּאַנשאַן פון VUI טוט נישט מיינען צו פאַרלאָזן מער טראדיציאנעלן ינטערפייסיז - אלא, כייבריד ינטערפייסיז וועט זיין בארעכטיגט וואָס פאַרבינדן עטלעכע וועגן פון ינטעראַקטינג.

די קול צובינד איז נישט פּאַסיק פֿאַר אַלע טאַסקס אין אַ רירעוודיק קאָנטעקסט. מיט אים, מיר וועלן רופן אַ פרייַנד דרייווינג אַ מאַשין, און אפילו שיקן אים אַ SMS, אָבער קאָנטראָלירן די לעצטע טראַנספערס קענען זיין צו שווער - רעכט צו דער סומע פון ​​אינפֿאָרמאַציע טראַנסמיטטעד צו די סיסטעם () און דזשענערייטאַד דורך די סיסטעם (סיסטעם). ווי רחל הינמאַן סאַגדזשעסץ אין איר בוך מאָביל פראָנטיער, די נוצן פון VUI ווערט די מערסט עפעקטיוו ווען פּערפאָרמינג טאַסקס ווו די סומע פון ​​אַרייַנשרייַב און רעזולטאַט אינפֿאָרמאַציע איז קליין.

א סמאַרטפאָנע קאָננעקטעד צו די אינטערנעט איז באַקוועם אָבער אויך ומבאַקוועם (9). יעדער מאָל אַ באַניצער וויל צו קויפן עפּעס אָדער נוצן אַ נייַע דינסט, זיי מוזן אראפקאפיע אן אנדער אַפּ און שאַפֿן אַ נייַע חשבון. א פעלד פֿאַר די נוצן און אַנטוויקלונג פון קול ינטערפייסיז איז באשאפן דאָ. אַנשטאָט צו צווינגען יוזערז צו ינסטאַלירן פילע פאַרשידענע אַפּפּס אָדער שאַפֿן באַזונדער אַקאַונץ פֿאַר יעדער דינסט, עקספּערץ זאָגן אַז VUI וועט יבעררוק די מאַסע פון ​​​​די קאַמבערסאַם טאַסקס צו אַן אַי-פּאַוערד קול אַסיסטאַנט. עס וועט זיין באַקוועם פֿאַר אים צו דורכפירן שטרענג אַקטיוויטעטן. מיר וועלן נאָר געבן אים אָרדערס.

9. קול צובינד דורך סמאַרטפאָנע

הייַנט, מער ווי בלויז אַ טעלעפאָן און אַ קאָמפּיוטער זענען פארבונדן צו די אינטערנעט. סמאַרט טערמאַסטאַט, לייץ, קעטאַלז און פילע אנדערע IoT-ינאַגרייטיד דעוויסעס זענען אויך קאָננעקטעד צו די נעץ (10). אזוי, עס זענען וויירליס דעוויסעס אַרום אונדז וואָס פּלאָמבירן אונדזער לעבן, אָבער ניט אַלע פון ​​זיי פּאַסיק געוויינטלעך אין די גראַפיקאַל באַניצער צובינד. ניצן VUI וועט העלפֿן איר לייכט ויסשטימען זיי אין אונדזער סוויווע.

10. קול צובינד מיט די אינטערנעט פון טהינגס

קריייטינג אַ קול באַניצער צובינד וועט באַלד ווערן אַ שליסל דיזיינער בקיעס. דאָס איז אַ פאַקטיש פּראָבלעם - די נויט צו ינסטרומענט קול סיסטעמען וועט מוטיקן איר צו פאָקוס מער אויף פּראָואַקטיוו פּלאַן, דאָס איז, טריינג צו פֿאַרשטיין די ערשט ינטענטשאַנז פון די באַניצער, אַנטיסאַפּייטינג זייער באדערפענישן און עקספּעקטיישאַנז אין יעדער בינע פון ​​די שמועס.

קול איז אַן עפעקטיוו וועג צו אַרייַן דאַטן - עס אַלאַוז ניצערס צו געשווינד אַרויסגעבן קאַמאַנדז צו די סיסטעם אויף זייער אייגענע טערמינען. אויף די אנדערע האַנט, דער עקראַן גיט אַן עפעקטיוו וועג צו אַרויסווייַזן אינפֿאָרמאַציע: עס אַלאַוז סיסטעמען צו ווייַזן אַ גרויס סומע פון ​​אינפֿאָרמאַציע אין דער זעלביקער צייט, רידוסינג די מאַסע אויף די זכּרון פון די באַניצער. עס איז לאַדזשיקאַל אַז קאַמביינינג זיי אין איין סיסטעם סאָונדס ינקעראַדזשינג.

סמאַרט ספּיקערז ווי אַמאַזאָן עקאָו און Google היים טאָן ניט פאָרשלאָגן וויזשאַוואַל אַרויסווייַזן. באטייטיק ימפּרוווינג די אַקיעראַסי פון קול דערקענונג אין מעסיק דיסטאַנסאַז, זיי לאָזן הענט-פריי אָפּעראַציע, וואָס אין קער ינקריסאַז זייער בייגיקייַט און עפעקטיווקייַט - זיי זענען דיזייעראַבאַל אפילו פֿאַר יוזערז וואָס האָבן שוין סמאַרטפאָנעס מיט קול קאָנטראָל. אָבער, די פעלן פון אַ פאַרשטעלן איז אַ ריזיק באַגרענעצונג.

בלויז ביפּס קענען זיין געוויינט צו מיטטיילן ניצערס וועגן מעגלעך קאַמאַנדז, און לייענען די רעזולטאַט ווערט טידיאַס אַחוץ פֿאַר די מערסט יקערדיק טאַסקס. באַשטעטיקן אַ טייַמער מיט אַ קול באַפֿעל בשעת קוקינג איז גרויס, אָבער עס איז ניט נייטיק צו פרעגן ווי פיל צייט איז לינקס. באַקומען אַ רעגולער וועטער פאָרויסזאָגן ווערט אַ פּראָבע פון ​​זכּרון פֿאַר דער באַניצער, וואָס מוזן הערן און אַרייַנציען אַ סעריע פון ​​פאקטן אַלע וואָך לאַנג, אלא ווי צו קלייַבן זיי פון דעם עקראַן אין אַ בליק.

די דיזיינערז האָבן שוין כייבריד לייזונג, Echo Show (11), וואָס צוגעגעבן אַ אַרויסווייַזן פאַרשטעלן צו די יקערדיק Echo קלוג רעדנער. דעם זייער יקספּאַנדז די פאַנגקשאַנאַליטי פון די עקוויפּמענט. אָבער, די Echo Show איז נאָך פיל ווייניקער טויגעוודיק צו דורכפירן די יקערדיק פאַנגקשאַנז וואָס האָבן לאַנג שוין בנימצא אויף סמאַרטפאָנעס און טאַבלאַץ. עס קען (נאָך) נישט ינדנברעך אויף די וועב, ווייַזן באריכטן אָדער ווייַזן די אינהאַלט פון אַן אַמאַזאָן שאַפּינג וואָגן, למשל.

א וויסואַל אַרויסווייַזן איז ינכעראַנטלי אַ מער עפעקטיוו וועג צו צושטעלן מענטשן אַ עשירות פון אינפֿאָרמאַציע ווי בלויז געזונט. דיזיינינג מיט קול בילכערקייַט קענען שטארק פֿאַרבעסערן קול ינטעראַקשאַן, אָבער אין די לאַנג לויפן, אַרביטרעראַלי ניט נוצן די וויזשאַוואַל מעניו פֿאַר ינטעראַקשאַן וועט זיין ווי פייטינג מיט איין האַנט טייד הינטער דיין צוריק. רעכט צו דער לומינג קאַמפּלעקסיטי פון ינטעליגענט קול און אַרויסווייַזן ינטערפייסיז, דעוועלאָפּערס זאָל עמעס באַטראַכטן אַ כייבריד צוגאַנג צו ינטערפייסיז.

ינקריסינג די עפעקטיווקייַט און גיכקייַט פון רעדע דור און דערקענונג סיסטעמען האט געמאכט עס מעגלעך צו נוצן זיי אין אַזאַ אַפּלאַקיישאַנז און געביטן ווי, למשל:

• מיליטעריש (קול קאַמאַנדז אין פּליינז אָדער העליקאָפּטערס, למשל, F16 VISTA),

• אָטאַמאַטיק טעקסט טראַנסקריפּציע (רעדע צו טעקסט),

• ינטעראַקטיוו אינפֿאָרמאַציע סיסטעמען (פּריים ספּיטש, קול פּאָרטאַלס),

• רירעוודיק דעוויסעס (פאָנעס, סמאַרטפאָנעס, טאַבלאַץ),

• ראָובאַטיקס (קלעווערבאָט - ASR סיסטעמען קאַמביינד מיט קינסטלעך סייכל),

• אָטאַמאָוטיוו (האַנד-פריי קאָנטראָל פון מאַשין קאַמפּאָונאַנץ, אַזאַ ווי בלו & מיר),

• היים אַפּלאַקיישאַנז (קלוג היים סיסטעמען).

היט זיך פֿאַר זיכערקייַט!

אָטאַמאָוטיוו, היים אַפּפּליאַנסעס, באַהיצונג / קאָאָלינג און היים זיכערהייט סיסטעמען, און אַ פּלאַץ פון היים אַפּפּליאַנסעס זענען סטאַרטינג צו נוצן קול ינטערפייסיז, אָפט יי-באזירט. אין דעם בינע, די דאַטן באקומען פון מיליאַנז פון שמועסן מיט מאשינען איז געשיקט צו קאַמפּיוטינג וואלקנס. עס איז קלאָר אַז מאַרקעטערס זענען אינטערעסירט אין זיי. און ניט נאָר זיי.

א לעצטע באַריכט פון Symantec זיכערהייט עקספּערץ רעקאַמענדז אַז קול באַפֿעל יוזערז נישט קאָנטראָלירן זיכערהייט פֿעיִקייטן אַזאַ ווי טיר לאַקס, לאָזן אַליין זיכערהייט סיסטעמען. דער זעלביקער גייט פֿאַר סטאָרינג פּאַסווערדז אָדער קאַנפאַדענשאַל אינפֿאָרמאַציע. די זיכערהייט פון קינסטלעך סייכל און קלוג פּראָדוקטן איז נאָך נישט גענוג געלערנט.

ווען דעוויסעס איבער דער היים הערן צו יעדער וואָרט, די ריזיקירן פון כאַקינג און מיסיוז פון די סיסטעם ווערט אַ גאָר וויכטיק אַרויסגעבן. אויב אַ אַטאַקער גיינז אַקסעס צו די היגע נעץ אָדער זיין פֿאַרבונדן E- בריוו ווענדט, די סמאַרט מיטל סעטטינגס קענען זיין פארענדערט אָדער באַשטעטיק צו פאַבריק סעטטינגס, ריזאַלטינג אין די אָנווער פון ווערטפול אינפֿאָרמאַציע און די ויסמעקן פון באַניצער געשיכטע.

אין אנדערע ווערטער, זיכערהייט פּראָפעססיאָנאַלס מורא אַז קול און VUI-געטריבן קינסטלעך סייכל איז נישט נאָך קלוג גענוג צו באַשיצן אונדז פון פּאָטענציעל טרעץ און האַלטן אונדזער מויל פאַרמאַכן ווען אַ פרעמדער בעט פֿאַר עפּעס.