Kai namuose atsiranda naujas „šeimos narys”
Prisimenu, kaip prieš kelerius metus draugas pirko pirmąjį išmanųjį garsiakalbį. Pastatė jį ant stalo, pasakė „Ei, Google” ir paprašė įjungti muziką. Kai garsiakalbis atsiliepė ir pradėjo groti, jo veide matėsi toks vaikiškas susižavėjimas. Dabar tokius prietaisus turime daugelis – jie primena orą, patikrina, ar nepamiršome užrakinti durų, net padeda gaminti vakarienę. Bet kaip tas nedidelis cilindras ar rutulys sugeba mus suprasti ir atsakyti į klausimus?
Išmanusis garsiakalbis – tai ne tik garso kolonėlė su mikrofonu. Tai sudėtinga sistema, kuri nuolat klausosi, analizuoja, bendrauja su debesų serveriais ir mokosi iš kiekvienos sąveikos. Viduje vyksta tikras technologinis šokis, apimantis garso atpažinimą, dirbtinį intelektą, interneto ryšį ir dar daugybę dalykų, apie kuriuos paprastai negalvojame tiesiog pasakydami „Alexa, koks oras šiandien?”
Nuo žodžių iki skaičių – garso kelionė
Viskas prasideda nuo mikrofono. Tiksliau – nuo kelių mikrofonų, nes dauguma šiuolaikinių išmaniųjų garsiakalbių turi jų masyvą. Paprastai tai būna 4-8 mikrofonai, išdėstyti aplink prietaisą. Kodėl tiek daug? Ogi todėl, kad jie turi jus girdėti net tada, kai patys garsiai groja muziką, kai virtuvėje šniokščia virduliukas arba kai šnekate iš kito kambario.
Šie mikrofonai dirba kartu, naudodami vadinamąją „beamforming” technologiją. Įsivaizduokite, kad kiekvienas mikrofonas gauna šiek tiek skirtingą garso signalą – vienas girdi jūsų balsą truputį anksčiau, kitas vėliau, priklausomai nuo to, kur stovite. Prietaiso procesorius analizuoja šiuos skirtumus ir gali nustatyti, iš kurios pusės sklinda jūsų balsas. Tada jis „fokusuojasi” į tą kryptį ir slopina triukšmą iš kitų pusių.
Bet mikrofonai gauna analoginį signalą – garso bangas. Kompiuteris negali dirbti su bangomis, jam reikia skaičių. Todėl įvyksta analoginio-skaitmeninio konvertavimas. Jūsų balsas paverčiamas tūkstančiais skaičių per sekundę, kurie atspindi garso bangos formą. Šis skaitmeninis signalas tada keliauja toliau į prietaiso smegenis.
Budėjimo režimas ir magiškas žodelis
Štai čia prasideda įdomiausia dalis. Išmanusis garsiakalbis nuolat klausosi, bet ne visada „girdi”. Skamba keistai? Tai veikia taip: prietaise yra mažas, labai specializuotas lustų rinkinys, kuris atlieka tik vieną užduotį – atpažįsta aktyvavimo žodį („Ok Google”, „Alexa”, „Hey Siri” ir pan.).
Šis lustų rinkinys naudoja labai mažai energijos ir dirba vietoje, neprisijungęs prie interneto. Jis nuolat analizuoja gaunamus garso signalus, ieškodamas specifinio garso šablono. Tai truputį primena, kaip jūs galite snausti autobuse, bet staiga pabusti išgirdę savo vardą – jūsų smegenys nuolat stebi aplinką, net kai atrodytų, kad miegote.
Kai prietaisas atpažįsta aktyvavimo žodį, įvyksta keli dalykai vienu metu. Pirma, užsidega šviesos indikatorius, rodantis, kad dabar jis tikrai klausosi. Antra, įsijungia pagrindinis procesorius ir pradedama įrašinėti visa, ką sakote po aktyvavimo žodžio. Trečia, užmezgamas ryšys su debesų serveriais, nes tikrasis „protingumas” gyvena ne jūsų namuose, o milžiniškuose duomenų centruose.
Kelionė į debesis ir atgal
Štai čia daugelis žmonių sunerimsta dėl privatumo, ir visai pagrįstai. Kai pasakote komandą po aktyvavimo žodžio, jūsų balso įrašas keliauja per internetą į gamintojo serverius. Amazon, Google, Apple ar kiti turi milžiniškas serverių farmas, kuriose dirba tikrasis dirbtinis intelektas.
Kodėl negalima visko padaryti vietoje, pačiame prietaise? Dėl kelių priežasčių. Pirma, tikrasis balso atpažinimas reikalauja milžiniškos skaičiavimo galios. Antra, reikia prieigos prie nuolat atnaujinamos informacijos – oro prognozių, naujienų, kalendoriaus įrašų. Trečia, kalbos supratimo modeliai yra didžiuliai – kartais kelių gigabaitų dydžio. Neįmanoma viso to sutalpinti į nedidelį garsiakalbį.
Debesyje vyksta keletas procesų. Pirmiausia, jūsų balso įrašas paverčiamas tekstu. Tai daro specializuotos neuroninio tinklo sistemos, išmokytos atpažinti žodžius iš garso. Jos turi suprasti įvairius akcentus, kalbėjimo greičius, net kai žmonės kosuoja ar mikčioja kalbėdami.
Tada tekstas analizuojamas, kad būtų suprastas ketinimas. Jei pasakėte „Kokia šiandien temperatūra Vilniuje?”, sistema turi suprasti, kad tai klausimas apie orą, kad jus domina temperatūra (ne drėgmė ar vėjas), kad vieta yra Vilnius, ir kad „šiandien” reiškia dabartinę dieną. Tai vadinama natūralios kalbos apdorojimu (NLP – Natural Language Processing).
Dirbtinio intelekto magija
Natūralios kalbos supratimas – tai viena sudėtingiausių dirbtinio intelekto sričių. Žmonių kalba yra neįtikėtinai sudėtinga, pilna dviprasmybių, konteksto, netiesioginių reikšmių. Kai sakote „Man šalta”, priklausomai nuo konteksto tai gali reikšti prašymą pakelti šildymo temperatūrą, komentarą apie orą ar net metaforą apie emocines būsenas.
Šiuolaikiniai balso asistentai naudoja gilųjį mokymąsi (deep learning) ir didelius kalbos modelius. Šie modeliai išmokyti iš milijardų teksto pavyzdžių ir gali „suprasti” kalbą statistiniu būdu. Jie nemąsto taip kaip žmogus, bet gali atpažinti šablonus ir tikimybes. Jei sakote „Įjunk šviesą”, sistema žino, kad po žodžio „įjunk” dažniausiai seka prašymas valdyti kokį nors prietaisą, o „šviesa” yra vienas dažniausių valdymo objektų.
Bet čia dar ne viskas. Sistema turi prisiminti kontekstą. Jei pirmiausia paklausėte „Koks oras Londone?”, o po to „O rytoj?”, asistentui reikia suprasti, kad „rytoj” vis dar kalbate apie Londoną, nors jo nebeužsiminėte. Tai vadinama konteksto valdymu, ir tai viena sričių, kurioje išmanieji garsiakalbiai nuolat tobulėja.
Atsakymo formavimas ir grįžimas namo
Kai sistema supranta, ko norite, ji turi suformuoti atsakymą. Kartais tai paprasta – tiesiog paima informaciją iš oro prognozės duomenų bazės. Kartais sudėtingiau – pavyzdžiui, jei prašote papasakoti apie Vytauto Didžiojo istoriją, reikia suformuluoti prasmingą, glaustą atsakymą iš įvairių šaltinių.
Atsakymas vėl paverčiamas garsu naudojant teksto-į-kalbą (TTS – Text-to-Speech) technologiją. Seniau tai skambėdavo robotiškai, bet dabar naudojami neuroninio tinklo modeliai, kurie gali generuoti labai natūraliai skambantį žmogaus balsą. Jie moka keisti intonaciją, daryti pauzas tinkamose vietose, net pridėti emocijų atspalvių.
Sugeneruotas garso failas siunčiamas atgal į jūsų garsiakalbį per internetą. Visas šis procesas – nuo jūsų klausimo iki atsakymo – paprastai užtrunka 1-3 sekundes. Kai pagalvojate, kiek viskas turi įvykti per tą laiką, tai tikrai įspūdinga.
Kai garsiakalbis valdo jūsų namus
Viena populiariausių išmaniųjų garsiakalbių funkcijų – išmaniųjų namų valdymas. Galite paprašyti įjungti šviesą, reguliuoti termostatą, užrakinti duris ar net paleisti kavos aparatą. Bet kaip tai veikia?
Dauguma išmaniųjų namų prietaisų naudoja vieną iš kelių komunikacijos protokolų: Wi-Fi, Zigbee, Z-Wave ar Bluetooth. Jūsų išmanusis garsiakalbis veikia kaip valdymo centras arba „tiltas” tarp jūsų ir šių prietaisų. Kai sakote „Įjunk svetainės šviesą”, garsiakalbis siunčia komandą per atitinkamą protokolą jūsų išmaniajai lemputei.
Čia svarbu suprasti, kad ne visi išmanieji prietaisai tiesiogiai palaiko visus balso asistentus. Kartais reikia papildomų „tiltų” ar hub’ų. Pavyzdžiui, jei turite Philips Hue lemputes, jums reikės Hue Bridge, kuris jungiasi prie jūsų maršrutizatoriaus. Tada jūsų Google Home ar Amazon Echo gali bendrauti su šiuo tiltu.
Įdomu tai, kad daugelis šių komandų iš tikrųjų vyksta per debesis, net jei visi prietaisai yra jūsų namuose. Jūsų komanda keliauja į Google ar Amazon serverius, ten apdorojama, tada serveriai siunčia komandą atgal į jūsų išmaniąją lemputę. Skamba neefektyvu, bet taip užtikrinamas suderinamumas ir saugumas.
Muzika, podkastai ir garso kokybė
Žinoma, vienas pagrindinių išmaniųjų garsiakalbių panaudojimų – muzikos klausymas. Čia jau svarbu ne tik „išmanusis” komponentas, bet ir paprasta garso kokybė. Ir čia gamintojai labai skiriasi.
Viduje rasite vieną ar kelis garsiakalbių elementus – žemų dažnių garsiakalbį (woofer) ir aukštų dažnių garsiakalbį (tweeter). Geresni modeliai turi kelis garsiakalbius, nukreiptus skirtingomis kryptimis, kad garsas pasiskirstytų po kambarį. Kai kurie, kaip Apple HomePod, naudoja sudėtingą garso spindulių formavimo technologiją, kuri analizuoja kambario akustiką ir prisitaiko prie jos.
Bet net geriausias garsiakalbis nieko neveiks be stiprintuvų. Išmaniajame garsiakalblyje yra mažyčiai, bet galingi stiprintuvai, kurie paima skaitmeninį garso signalą ir paverčia jį elektros srove, kuri juda per garsiakalbio ritę, verčiančią difuzorių judėti ir kurti garso bangas.
Įdomu tai, kad daugelis išmaniųjų garsiakalbių naudoja skaitmeninį signalo apdorojimą (DSP), kad pagerintų garso kokybę. Jie gali automatiškai koreguoti žemų dažnių lygį, kad bosinės linijos skambėtų geriau, arba pakelti aukštus dažnius, kad vokalas būtų aiškesnis. Kai kurie net analizuoja, kokią muziką klausotės, ir prisitaiko prie žanro.
Privatumas, saugumas ir kas tikrai vyksta
Dabar palieskime dramblį kambaryje – privatumą. Daugelis žmonių nerimsta dėl minties, kad namuose turi prietaisą su mikrofonais, nuolat klausantį. Ar jie tikrai įrašinėja viską? Ar kažkas klauso?
Techniškai, kaip minėjau anksčiau, prietaisas nuolat „klauso”, bet ne „įrašinėja” iki aktyvavimo žodžio. Budėjimo režimo lustas tiesiog analizuoja garso šabloną realiu laiku ir nieko nesaugo. Tai truputį kaip metalų detektorius – jis nuolat skenuoja, bet reaguoja tik į metalą.
Tačiau po aktyvavimo žodžio viskas įrašoma ir siunčiama į serverius. Ir čia tampa įdomu. Dauguma kompanijų saugo šiuos įrašus tam tikrą laiką. Jie naudojami mokymui – kartais žmonės rankiniu būdu peržiūri įrašus, kad pagerintų atpažinimo tikslumą. Tai sukėlė nemažai skandalų, kai paaiškėjo, kad darbuotojai girdėjo privačius pokalbius.
Gera žinia ta, kad dabar galite valdyti šiuos nustatymus. Dauguma platformų leidžia ištrinti savo balso įrašus, išjungti rankinę peržiūrą ar net nustatyti automatinį trinimą po tam tikro laiko. Taip pat galite fiziškai išjungti mikrofoną – dauguma garsiakalbių turi specialų mygtuką, kuris fiziškai atjungia mikrofonus.
Dar vienas saugumo aspektas – balso atpažinimas. Naujesni modeliai gali atpažinti skirtingus šeimos narius pagal balsą ir suteikti personalizuotus atsakymus. Tai reiškia, kad kai jūsų vaikas klausia apie savo dienotvarkę, jis gauna savo kalendorių, ne jūsų. Bet tai taip pat reiškia, kad sistema saugo jūsų balso „atspaudą”.
Ateitis jau čia, bet dar ne visai
Išmanieji garsiakalbiai per pastaruosius metus padarė milžinišką pažangą, bet vis dar yra daug ko tobulinti. Konteksto supratimas kartais vis dar klibikščiuoja – bandykite suvesti sudėtingą pokalbį su keliais klausimais, ir pamatysite, kaip greitai asistentai pasimiršta.
Kalbų palaikymas taip pat nevienodas. Anglų kalba veikia puikiai, bet lietuvių kalbai vis dar trūksta daug funkcijų. Google Assistant lietuviškai supranta pagrindines komandas, bet sudėtingesni klausimai dažnai baigiasi „Atsiprašau, to dar nemoku”.
Vis daugiau gamintojų bando perkelti daugiau funkcijų į patį prietaisą, sumažinant priklausomybę nuo debesų. Tai vadinama „edge computing” – skaičiavimai vyksta krašte (jūsų namuose), ne centre (serveriuose). Tai pagerintų privatumą ir sumažintų vėlavimą, bet reikalauja galingesnių procesorių prietaisuose.
Taip pat matome integraciją su vis daugiau paslaugų ir prietaisų. Dabar galite užsisakyti maistą, kviesti taksi, net atlikti banko operacijas balsu. Bet kiekviena nauja funkcija reiškia naują saugumo iššūkį – ar tikrai norite, kad kažkas galėtų pervesti pinigus iš jūsų sąskaitos tiesiog pamėgdžiodamas jūsų balsą?
Dirbtinio intelekto modeliai nuolat tobulėja. Naujausi kalbos modeliai, kaip GPT serija, gali vesti daug natūralesnius pokalbius. Greičiausiai netrukus išmanieji asistentai taps tikrai „pokalbiais”, ne tik komandomis ir atsakymais. Įsivaizduokite, kad galėtumėte diskutuoti su savo garsiakalbiu apie knygą, kurią skaitote, ir jis tikrai suprastų niuansus.
Vis daugiau dėmesio skiriama ir garso kokybei. Žmonės supranta, kad nori ne tik „išmanumo”, bet ir gero garso. Todėl matome vis daugiau aukščiausios klasės garsiakalbių su balso asistentais – nuo Bang & Olufsen iki Sonos. Tai jau ne tik technologinis įrenginys, bet ir namų interjero dalis.
Kai technologija tampa kasdienybe
Grįžtant prie to, nuo ko pradėjome – tas draugo susižavėjimas pirmuoju išmaniuoju garsiakalbiu. Dabar, po kelių metų, jis net nebepagalvoja apie tai, kaip tai veikia. Tiesiog sako „įjunk šviesą” ir šviesa įsijungia. Technologija tapo nematoma, kaip ir turi būti geriausia technologija.
Išmanieji garsiakalbiai – tai sudėtingų technologijų simfonija: garso apdorojimas, dirbtinis intelektas, debesų kompiuterija, interneto daiktai – viskas dirba kartu, kad jūs galėtumėte paprasčiausiai paprašyti įjungti jūsų mėgstamą dainą. Viduje vyksta milijonai skaičiavimų per sekundę, duomenys keliauja tūkstančius kilometrų ir grįžta per akimirką, neuroninio tinklo sluoksniai analizuoja jūsų žodžius ieškodami prasmės.
Ar verta turėti tokį prietaisą? Tai priklauso nuo jūsų. Jei vertinate patogumą ir jums netrukdo privatumo kompromisai, tai gali būti puikus papildymas namams. Jei esate skeptiškas dėl nuolatinio „klausymosi” – visiškai suprantama. Bet viena aišku: ši technologija niekur nedingsta. Ji tik tobulės, taps protingesnė, natūralesnė ir, tikėkimės, saugesnė.
Galbūt ateityje net nebeturėsime atskirų „išmaniųjų garsiakalbių” – balso asistentai bus integruoti į visus mūsų prietaisus, nuo šaldytuvo iki automobilio. O gal atsisakysime jų visai, kai atsirado dar naujos sąveikos formos. Bet dabar, šiuo metu, jie yra fascinuojantis technologijos ir kasdienio gyvenimo susikirtimo taškas. Ir tikrai verta suprasti, kaip ta magija iš tikrųjų veikia.