Prisimenu, kaip prie\u0161 kokius de\u0161imt met\u0173 band\u017eiau diktuoti tekst\u0105 kompiuteriui \u2013 rezultatas buvo tiesiog katastrofi\u0161kas. Programa suprato gal pus\u0119 \u017eod\u017ei\u0173, o sakiniai atrod\u0117 kaip kokio roboto kosmaras. Dabar gi galiu pasakyti telefonui “paskambink mamai” ir jis tiesiog tai padaro. Kas pasikeit\u0117? Viskas.<\/p>\n
Balso atpa\u017einimo technologija \u2013 tai ne koks naujas i\u0161radimas. Bandymai sukurti ma\u0161inas, kurios suprast\u0173 \u017emogaus kalb\u0105, prasid\u0117jo dar pra\u0117jusio am\u017eiaus viduryje. Ta\u010diau tik pastar\u0105j\u012f de\u0161imtmet\u012f \u0161i technologija tapo tikrai naudinga paprastam \u017emogui. \u0160iandien ji yra m\u016bs\u0173 telefonuose, namuose, automobiliuose ir net \u0161aldytuvuose. Bet kaip tai i\u0161 tikr\u0173j\u0173 veikia?<\/p>\n
Kai j\u016bs kalbate \u012f mikrofon\u0105, vyksta tikra technologin\u0117 magija. Pirmiausiai j\u016bs\u0173 balso bangos paver\u010diamos elektriniais signalais \u2013 tai daro pats mikrofonas. Bet \u010dia prasideda \u012fdomiausia dalis.<\/p>\n
Sistema turi atlikti kelis sud\u0117tingus \u017eingsnius. Pirmiausia ji i\u0161filtruoja fonin\u012f triuk\u0161m\u0105 \u2013 automobilio garsus, v\u0117jo \u016b\u017ees\u012f, \u0161uniuko lojim\u0105 fone. Tai n\u0117ra paprasta, nes programa turi atskirti, kas yra j\u016bs\u0173 balsas, o kas \u2013 aplinkos garsai. Modernios sistemos tai daro steb\u0117tinai gerai, naudodamos specialius algoritmus, kurie “i\u0161moko” atpa\u017einti \u017emogaus balso charakteristikas.<\/p>\n
Toliau sistema skaido j\u016bs\u0173 kalb\u0105 \u012f ma\u017eesnius gabal\u0117lius \u2013 fonemas. Fonema \u2013 tai ma\u017eiausias garso vienetas kalboje. Lietuvi\u0173 kalboje j\u0173 yra apie 50, angl\u0173 \u2013 apie 44. Pavyzd\u017eiui, \u017eodis “kat\u0117” susideda i\u0161 fonem\u0173 k-a-t-\u0117. Sistema analizuoja kiekvien\u0105 i\u0161 \u0161i\u0173 gars\u0173 atskirai.<\/p>\n
Senesn\u0117s balso atpa\u017einimo sistemos veik\u0117 pagal grie\u017etas taisykles \u2013 jos tur\u0117jo u\u017eprogramuotus \u0161ablonus, kaip skamba kiekvienas \u017eodis. Problema buvo ta, kad \u017emon\u0117s kalba labai skirtingai. Skirtingi akcentai, intonacijos, kalb\u0117jimo greitis \u2013 visa tai dar\u0117 atpa\u017einim\u0105 beveik ne\u012fmanom\u0105.<\/p>\n
Viskas pasikeit\u0117, kai \u012f \u017eaidim\u0105 at\u0117jo ma\u0161ininis mokymasis ir dirbtiniai neuroniniai tinklai. Dabar sistemos nebem\u0117gina sekti grie\u017etomis taisykl\u0117mis \u2013 jos mokosi i\u0161 milijon\u0173 valand\u0173 \u012fra\u0161ytos \u017emogi\u0173 kalbos. \u012esivaizduokite, kad sistema “klaus\u0117si” milijon\u0173 \u017emoni\u0173 kalban\u010di\u0173 skirtingomis kalbomis, skirtingais akcentais, skirtingose situacijose. Ji pama\u017eu i\u0161moksta atpa\u017einti \u0161ablonus ir suprasti, kaip \u017eod\u017eiai skamba realiame gyvenime.<\/p>\n
\u0160iuolaikin\u0117s sistemos naudoja taip vadinamus “giliuosius neuroninius tinklus” (deep neural networks). Tai daugiasluoksn\u0117s strukt\u016bros, kurios apdoroja informacij\u0105 pana\u0161iai kaip \u017emogaus smegenys. Pirmieji sluoksniai atpa\u017e\u012fsta papras\u010diausius garsus, viduriniuojantys \u2013 fonemas ir skiemenis, o paskutiniai \u2013 visus \u017eod\u017eius ir net kontekst\u0105.<\/p>\n
Jei naudojate Siri, Google Assistant ar Alexa, tikriausiai pasteb\u0117jote, kad \u0161ie asistentai nuolat tobul\u0117ja. Tai vyksta d\u0117l keli\u0173 prie\u017eas\u010di\u0173.<\/p>\n
Pirma, j\u016bs\u0173 duomenys (anonimizuoti, bent jau teori\u0161kai) padeda sistemai mokytis. Kiekvien\u0105 kart\u0105, kai naudojate balso komand\u0105, sistema gauna gr\u012f\u017etam\u0105j\u012f ry\u0161\u012f \u2013 ar ji teisingai suprato, ar ne. Jei pasak\u0117te “skambink Petrui” ir pasirinkote Petr\u0105 i\u0161 kontakt\u0173 s\u0105ra\u0161o, sistema supranta, kad teisingai atpa\u017eino. Jei i\u0161 karto i\u0161tais\u0117te \u2013 ji mokosi i\u0161 klaidos.<\/p>\n
Antra, procesoriai tapo galingesni. J\u016bs\u0173 telefone dabar yra special\u016bs AI \u010dipai, skirti b\u016btent tokioms u\u017eduotims atlikti. Tai rei\u0161kia, kad daug apdorojimo gali vykti tiesiog j\u016bs\u0173 ki\u0161en\u0117je, o ne tik debesyse.<\/p>\n
Tre\u010dia, sistemos tapo kontekstualios. Jei paklausite “Koks oras Vilniuje?”, o po to “O kaip ten rytoj?”, sistema supranta, kad “ten” rei\u0161kia Vilni\u0173. Ankstesn\u0117s sistemos b\u016bt\u0173 visi\u0161kai pasimetusios.<\/p>\n
Nors technologija padar\u0117 mil\u017eini\u0161k\u0105 \u0161uol\u012f, ji vis dar n\u0117ra tobula. Yra keletas dalyk\u0173, su kuriais sistemos vis dar kovoja.<\/p>\n
Akcentai ir dialektai lieka problema. Jei kalbate su stipriu regioniniu akcentu ar mi\u0161inate kelias kalbas viename sakinyje (kas Lietuvoje labai \u012fprasta \u2013 pus\u0117 sakinio lietuvi\u0161kai, pus\u0117 angli\u0161kai), sistema gali sutrinkti. Tai ypa\u010d aktualu ma\u017eesn\u0117ms kalboms kaip lietuvi\u0173 \u2013 mokymo duomen\u0173 tiesiog yra ma\u017eiau nei, pavyzd\u017eiui, angl\u0173 kalbai.<\/p>\n
Triuk\u0161minga aplinka vis dar kelia problem\u0173. Nors sistemos gerai filtruoja fonin\u012f triuk\u0161m\u0105, labai triuk\u0161mingoje vietoje \u2013 pavyzd\u017eiui, koncerte ar statybviet\u0117je \u2013 atpa\u017einimas vis dar gali b\u016bti prastas.<\/p>\n
Homonim\u0173 problema \u2013 \u017eod\u017eiai, kurie skamba vienodai, bet ra\u0161omi skirtingai. Sistema turi suprasti kontekst\u0105, kad \u017einot\u0173, ar kalbate apie “pil\u012f” (pastat\u0105) ar “pili” (veiksm\u0105). Da\u017eniausiai tai pavyksta, bet ne visada.<\/p>\n
Balso atpa\u017einimas jau seniai per\u017eeng\u0117 paprast\u0173 komand\u0173 telefone ribas. Medicinos srityje gydytojai diktuoja diagnoses ir receptus \u2013 tai sutaupo daugyb\u0119 laiko. Teis\u0117saugoje stenografai naudoja pa\u017eangias sistemas teismo pos\u0117d\u017ei\u0173 u\u017era\u0161ymui. Automobili\u0173 pramon\u0117je balso valdymas tampa saugumo standartu \u2013 galite keisti muzik\u0105 ar skambinti nenuimdami rank\u0173 nuo vairo.<\/p>\n
Labai \u012fdomus panaudojimas yra kalb\u0173 mokymasis. Programos gali analizuoti j\u016bs\u0173 tarim\u0105 ir pasakyti, kur darote klaidas. Tai kaip tur\u0117ti asmenin\u012f mokytoj\u0105, kuris niekada nenuvargsta ir neerzinasi.<\/p>\n
Prieinamumo srityje \u0161i technologija kei\u010dia \u017emoni\u0173 gyvenimus. \u017dmon\u0117s su regos negalia gali valdyti \u012frenginius balsu. \u017dmon\u0117s su jud\u0117jimo sutrikimais gali diktuoti tekstus vietoj ra\u0161ymo. Tai ne tik patogu \u2013 tai suteikia nepriklausomyb\u0119.<\/p>\n
\u010cia prasideda \u0161iek tiek nejauki tema. Kai j\u016bs\u0173 nam\u0173 asistentas nuolat “klauso”, laukdamas aktyvavimo \u017eod\u017eio (“Ok Google”, “Alexa” ir pan.), kas tiksliai vyksta su tais duomenimis?<\/p>\n
Technin\u0117 pus\u0117 tokia: \u012frenginys nuolat analizuoja garsus, bet i\u0161 tikr\u0173j\u0173 “klauso” tik aktyvavimo \u017eod\u017eio. Visa kita tur\u0117t\u0173 b\u016bti ignoruojama ir ne\u012fra\u0161oma. Ta\u010diau yra buv\u0119 atvej\u0173, kai sistemos klaidingai aktyvuodavosi ir \u012fra\u0161in\u0117davo priva\u010dius pokalbius.<\/p>\n
Did\u017eiosios technologij\u0173 kompanijos teigia, kad duomenys yra \u0161ifruojami ir anonimizuojami. Bet realyb\u0117 yra sud\u0117tingesn\u0117. Kai kurie \u012fra\u0161ai vis dar per\u017ei\u016brimi \u017emoni\u0173 \u2013 taip sistemos mokosi ir tobul\u0117ja. Nors teori\u0161kai tai tur\u0117t\u0173 b\u016bti anonimizuota, visada yra rizika.<\/p>\n
Praktinis patarimas: daugelis \u012frengini\u0173 turi fizin\u012f mikrofono i\u0161jungimo mygtuk\u0105. Jei kalbat\u0117s apie jautrias temas, tiesiog j\u012f i\u0161junkite. Taip pat reguliariai per\u017ei\u016br\u0117kite ir trinkite savo balso \u012fra\u0161\u0173 istorij\u0105 \u2013 dauguma platform\u0173 leid\u017eia tai padaryti.<\/p>\n
Balso atpa\u017einimo technologija per pastar\u0105j\u012f de\u0161imtmet\u012f nu\u0161oko nuo “beveik nenaudojamos” iki “kasdien\u0117s realyb\u0117s”. Bet kelion\u0117 dar nebaigta. Artimiausiu metu matysime dar tikslesnius algoritmus, kurie geriau supras kontekst\u0105, emocijas ir net sarkazm\u0105 (kas yra itin sud\u0117tinga).<\/p>\n
Realaus laiko vertimas jau dabar veikia gana gerai, bet ateityje gal\u0117site kalb\u0117ti lietuvi\u0161kai, o j\u016bs\u0173 pa\u0161nekovas Japonijoje gird\u0117s japoni\u0161kai \u2013 beveik be v\u0117lavimo. Tai skamba kaip mokslin\u0117 fantastika, bet technologija jau yra \u2013 tik reikia j\u0105 patobulinti.<\/p>\n
Emocij\u0173 atpa\u017einimas \u2013 sistema gal\u0117s suprasti ne tik k\u0105 sakote, bet ir kaip sakote. Ar esate piktas, li\u016bdnas, ironi\u0161kas? Tai atvers naujas galimybes klient\u0173 aptarnavime, psichologin\u0117je pagalboje ir daugelyje kit\u0173 sri\u010di\u0173.<\/p>\n
Svarbiausia suprasti, kad \u0161i technologija n\u0117ra ka\u017ekas atskirta nuo m\u016bs\u0173. Ji mokosi i\u0161 m\u016bs\u0173, tobul\u0117ja kartu su mumis ir tampa vis labiau integruota \u012f kasdien\u012f gyvenim\u0105. Ar tai gerai, ar blogai \u2013 priklauso nuo to, kaip mes j\u0105 naudojame ir kontroliuojame. Viena ai\u0161ku \u2013 atgal kelio n\u0117ra. Balso s\u0105saja tampa tokia pat nat\u016bralia kaip lietimui jautrus ekranas ar pel\u0117. Galb\u016bt ateityje vaikai steb\u0117sis, kaip mes gal\u0117jome gyventi be galimyb\u0117s tiesiog pasakyti \u012frenginiui, ko norime.<\/p>","protected":false},"excerpt":{"rendered":"