Prisimenu, kaip prie\u0161 kok\u012f de\u0161imtmet\u012f draugai juok\u0117si, kai band\u017eiau per telefon\u0105 diktuoti \u017einut\u0119. Sistema suprato ma\u017edaug pus\u0119 \u017eod\u017ei\u0173, o rezultatas atrod\u0117 tarsi b\u016b\u010diau ra\u0161\u0119s atsitiktinai spaudin\u0117damas klaviat\u016br\u0105. \u0160iandien tiesiog pasakau “Ei, Siri” ar “Ok Google” ir gaunu tiksl\u0173 atsakym\u0105. Balso kontrol\u0117s sistemos per pastar\u0105j\u012f de\u0161imtmet\u012f padar\u0117 tok\u012f \u0161uol\u012f, kad tai atrodo beveik stebuklingai.<\/p>\n
Bet joki\u0173 stebukl\u0173 \u010dia n\u0117ra \u2013 tik sud\u0117tinga technologij\u0173 kombinacija, kuri veikia tokiu grei\u010diu ir tikslumu, jog m\u016bs\u0173 smegenys net nesp\u0117ja suvokti, kiek daug proces\u0173 vyksta per tas kelias sekundes, kol i\u0161girstame atsakym\u0105. Balso kontrol\u0117s sistema \u2013 tai ne vienas \u012frenginys ar programa, o visa ekosistema, kurioje dirba kartu mikrofonai, procesoriai, dirbtinis intelektas ir debes\u0173 kompiuterija.<\/p>\n
Viskas prasideda nuo paprasto fizikinio rei\u0161kinio \u2013 j\u016bs\u0173 balso sukuriamos oro virpesi\u0173. Kai kalbate, j\u016bs\u0173 balso stygos virpa ir sukuria garso bangas, kurios keliauja oru. \u0160ios bangos pasiekia j\u016bs\u0173 i\u0161maniojo telefono, plan\u0161et\u0117s ar protingo garsiakalbio mikrofon\u0105.<\/p>\n
Modern\u016bs \u012frenginiai da\u017eniausiai turi ne vien\u0105, o kelis mikrofonus. Tai ne atsitiktinumas \u2013 keli mikrofonai leid\u017eia sistemai tiksliau nustatyti, i\u0161 kur ateina garsas, ir atskirti j\u016bs\u0173 bals\u0105 nuo fono triuk\u0161mo. Pavyzd\u017eiui, Amazon Echo turi net septynis mikrofonus, i\u0161d\u0117stytus ratu aplink \u012frengin\u012f. Taip sistema gali “i\u0161girsti” jus net tada, kai patys grojate garsi\u0105 muzik\u0105.<\/p>\n
Mikrofonas veikia kaip atvirk\u0161tinis garsiakalbis \u2013 jis paver\u010dia mechanines garso bangas \u012f elektrinius signalus. \u0160ie analoginiai signalai dar nieko nerei\u0161kia kompiuteriui, tod\u0117l juos reikia paversti skaitmeniniais duomenimis. \u010cia \u012f \u017eaidim\u0105 \u012fsijungia analoginis-skaitmeninis keitiklis (ADC), kuris matuoja elektrin\u012f signal\u0105 t\u016bkstan\u010dius kart\u0173 per sekund\u0119 ir kiekvien\u0105 matavim\u0105 paver\u010dia skai\u010diumi.<\/p>\n
\u012edomiausia, kad j\u016bs\u0173 i\u0161manusis \u012frenginys i\u0161 tikr\u0173j\u0173 nuolat klausosi. Skamba \u0161iek tiek bauginan\u010diai, tiesa? Bet ramybei \u2013 jis neanalizuoja visko, k\u0105 girdite. Vietoj to \u012frenginyje veikia speciali ma\u017eos galios sistema, kuri atpa\u017e\u012fsta tik vien\u0105 dalyk\u0105 \u2013 pa\u017eadinimo \u017eod\u012f arba fraz\u0119.<\/p>\n
\u0160is “bud\u0117jimo re\u017eimas” veikia tiesiogiai \u012frenginio lust\u0435 ir naudoja labai ma\u017eai energijos. Sistema yra i\u0161mokyta atpa\u017einti specifin\u012f garso \u0161ablon\u0105 \u2013 “Alexa”, “Ok Google”, “Hey Siri” ar k\u0105 nors pana\u0161aus. Kai i\u0161girsta \u0161\u012f \u0161ablon\u0105, \u012frenginys “pabunda” ir pradeda tikr\u0105j\u012f darb\u0105.<\/p>\n
\u010cia slypi \u012fdomus techninis sprendimas. Pa\u017eadinimo \u017eod\u017eio atpa\u017einimas vyksta vietoje, j\u016bs\u0173 \u012frenginyje, nenaudojant interneto ry\u0161io. Tai svarbu d\u0117l dviej\u0173 prie\u017eas\u010di\u0173: pirma, taip u\u017etikrinamas privatumas (j\u016bs\u0173 pokalbiai nekeliauja \u012f serverius, kol neaktyvuojate sistemos), antra, reakcija b\u016bna akimirksnin\u0117, nes nereikia laukti duomen\u0173 perdavimo.<\/p>\n
Kai sistema aktyvuojama, prasideda sud\u0117tingiausias etapas \u2013 j\u016bs\u0173 kalbos pavertimas tekstu. \u0160is procesas vadinamas ASR (Automatic Speech Recognition) arba tiesiog kalbos atpa\u017einimu. Ir nors tai skamba paprastai, realyb\u0117je tai vienas sud\u0117tingiausi\u0173 dirbtinio intelekto u\u017edavini\u0173.<\/p>\n
Pirmiausia sistema turi i\u0161skaidyti 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 ma\u017edaug 44. Sistema analizuoja garso bang\u0105 ir bando nustatyti, kokios fonemos buvo i\u0161tartos ir kokia tvarka.<\/p>\n
Bet \u010dia i\u0161kyla problema \u2013 \u017emon\u0117s kalba labai skirtingai. Turime skirtingus akcentus, intonacijas, kalb\u0117jimo greit\u012f. Kas daugiau, da\u017enai prarijame garsus, sujungiame \u017eod\u017eius ar darome pauzes keistose vietose. Tod\u0117l sistema negali tiesiog lyginti j\u016bs\u0173 kalbos su i\u0161 anksto \u012fra\u0161ytais \u0161ablonais \u2013 ji turi “suprasti” kalb\u0105 giliau.<\/p>\n
\u010cia \u012f pagalb\u0105 ateina dirbtiniai neuroniniai tinklai. \u0160ios sistemos yra “treniruojamos” naudojant milijonus valand\u0173 \u012fra\u0161ytos \u017emogaus kalbos. Jos mokosi atpa\u017einti \u0161ablonus, kurie sieja garso bangas su konkre\u010diomis fonemomis, \u017eod\u017eiais ir fraz\u0117mis. Kuo daugiau duomen\u0173 sistema apdoroja, tuo geriau ji veikia.<\/p>\n
\u012esivaizduokite, kad sakote: “Noriu u\u017esisakyti picos”. Sistema girdi garsus, bet kaip ji \u017eino, ar sak\u0117te “picos”, “pykos” ar “pyk\u010dio”? \u010cia svarbus kontekstas ir tikimyb\u0117s.<\/p>\n
Modernios balso atpa\u017einimo sistemos naudoja kalbos modelius \u2013 tai i\u0161 esm\u0117s did\u017eiul\u0117s duomen\u0173 baz\u0117s, kuriose saugoma informacija apie tai, kokie \u017eod\u017eiai da\u017eniausiai eina kartu. Sistema \u017eino, kad po \u017eod\u017ei\u0173 “u\u017esisakyti” da\u017eniau seka “picos” nei “pykos”. Ji taip pat atsi\u017evelgia \u012f tai, k\u0105 sak\u0117te anks\u010diau per t\u0105 pat\u012f pokalb\u012f.<\/p>\n
Be to, sistema analizuoja ne tik \u017eod\u017eius, bet ir j\u0173 gramatik\u0105. Ji supranta, kad po veiksma\u017eod\u017eio “u\u017esisakyti” tur\u0117t\u0173 eiti daiktavardis, o ne b\u016bdvardis. Visi \u0161ie sluoksniai \u2013 fonetinis, leksinis ir gramatinis \u2013 veikia kartu, kad sistema kuo tiksliau suprast\u0173, k\u0105 sak\u0117te.<\/p>\n
\u012edomu tai, kad \u0161iuolaikin\u0117s sistemos mokosi ir i\u0161 j\u016bs\u0173 asmenini\u0173 duomen\u0173. Jos \u017eino, kokius kontaktus turite telefone, kokias programas naudojate, kokias vietas lankote. Jei sakote “paskambink Jonui”, sistema \u017eino, kad j\u016bs\u0173 kontaktuose yra Jonas, o ne D\u017eonas ar Juozas.<\/p>\n
Kai j\u016bs\u0173 kalba jau paversta tekstu, prasideda kitas etapas \u2013 sistemos turi suprasti, ko i\u0161 tikr\u0173j\u0173 norite. \u010cia dirba nat\u016bralios kalbos apdorojimo (NLP \u2013 Natural Language Processing) technologijos.<\/p>\n
\u017dmon\u0117s kalba labai netiesiogiai ir dviprasmi\u0161kai. Jei pasakote “Koks oras bus rytoj?”, tai atrodo paprasta. Bet jei sakote “Ar man reik\u0117s sk\u0117\u010dio rytoj?”, sistema turi suprasti, kad i\u0161 tikr\u0173j\u0173 klausiate apie or\u0105, konkre\u010diai \u2013 ar lis. Tai reikalauja ne tik \u017eod\u017ei\u0173 supratimo, bet ir konteksto, login\u0117s i\u0161vados.<\/p>\n
NLP sistemos naudoja \u012fvairius metodus tekstui analizuoti. Jos identifikuoja raktinius \u017eod\u017eius, nustato sakinio strukt\u016br\u0105, atpa\u017e\u012fsta veiksma\u017eod\u017eius (k\u0105 norite padaryti) ir objektus (su kuo norite tai padaryti). Pavyzd\u017eiui, fraz\u0117je “Paleisk Spotify ir groj roko muzik\u0105” sistema nustato: veiksmas \u2013 paleisti\/groti, programa \u2013 Spotify, parametras \u2013 roko muzika.<\/p>\n
\u0160iuolaikin\u0117s sistemos taip pat supranta kontekst\u0105 per kelis klausimus. Jei pirmiausia paklausiate “Kas yra Ein\u0161teinas?”, o paskui \u2013 “Kada jis gim\u0117?”, sistema supranta, kad “jis” rei\u0161kia Ein\u0161tein\u0105. Tai vadinama anaforini\u0173 nuorod\u0173 sprendimu ir tai gana sud\u0117tinga problema kompiuterinei lingvistikai.<\/p>\n
Did\u017eioji dalis sunkaus darbo vyksta ne j\u016bs\u0173 \u012frenginyje, o galingose serveri\u0173 fermose \u2013 debes\u0173 kompiuterijoje. Kai aktyvuojate balso asistent\u0105, j\u016bs\u0173 \u012frenginys u\u017e\u0161ifruoja garso \u012fra\u0161\u0105 ir i\u0161siun\u010dia j\u012f \u012f gamintojo serverius. Ten vyksta visa anks\u010diau apra\u0161yta magija \u2013 kalbos atpa\u017einimas, NLP analiz\u0117, u\u017eklausos apdorojimas.<\/p>\n
Kod\u0117l ne vietoje? Nes \u0161ie procesai reikalauja mil\u017eini\u0161kos skai\u010diavimo galios ir atminties. J\u016bs\u0173 telefone ar protingame garsiakalblyje tiesiog n\u0117ra pakankamai resurs\u0173, kad gal\u0117t\u0173 laikyti visus kalbos modelius ir greitai juos apdoroti. Be to, debesyse esantys modeliai nuolat atnaujinami ir tobulinami, o tai reik\u0161t\u0173 nuolatinius atnaujinimus kiekvienam \u012frenginiui.<\/p>\n
Tiesa, situacija kei\u010diasi. Naujausi i\u0161manieji telefonai turi specialius dirbtinio intelekto lustus, kurie gali atlikti vis daugiau u\u017eduo\u010di\u0173 vietoje. Apple, pavyzd\u017eiui, did\u017ei\u0105j\u0105 dal\u012f Siri funkcij\u0173 jau apdoroja tiesiogiai \u012frenginyje. Tai grei\u010diau, saugiau ir veikia net be interneto ry\u0161io, nors funkcionalumas b\u016bna ribotas.<\/p>\n
Kai sistema supranta, ko norite, ji turi sugeneruoti atsakym\u0105 ir j\u012f pateikti. Jei klausiate faktin\u0117s informacijos, sistema ie\u0161ko atsakymo savo duomen\u0173 baz\u0117se arba internete. Jei pra\u0161ote atlikti veiksm\u0105 (pvz., nustatyti \u017eadintuv\u0105), ji siun\u010dia komand\u0105 atitinkamai programai j\u016bs\u0173 \u012frenginyje.<\/p>\n
\u012edomiausia dalis \u2013 kaip sistema “kalba” atgal. Anks\u010diau balso asistentai naudojo i\u0161 anksto \u012fra\u0161ytus garso failus, sujungtus \u012f frazes. Tai skamb\u0117davo roboti\u0161kai ir nenat\u016braliai. \u0160iuolaikiniai asistentai naudoja kalbos sintez\u0117s technologijas (TTS \u2013 Text-to-Speech), kurios realiu laiku generuoja \u017emogi\u0161k\u0105 kalb\u0105.<\/p>\n
Geriausios TTS sistemos naudoja giliojo mokymosi modelius, kurie i\u0161moko ne tik tarti \u017eod\u017eius, bet ir nat\u016braliai intonuoti, daryti tinkamas pauzes, net prid\u0117ti emocij\u0173 atspalvi\u0173. Kai kurios sistemos jau gali keisti balso stili\u0173 priklausomai nuo situacijos \u2013 skamb\u0117ti formaliau ar draugi\u0161kai, greitai ar l\u0117tai.<\/p>\n
Nors technologija nuostabi, ji toli gra\u017eu ne tobula. Tikriausiai patys esate patyr\u0119 situacij\u0173, kai balso asistentas jus visi\u0161kai nesuprato arba padar\u0117 ka\u017ek\u0105 keista. Tam yra kelios prie\u017eastys.<\/p>\n
Pirma, fonas triuk\u0161mas. Nors sistemos turi triuk\u0161mo slopinimo funkcijas, stiprus fonas garsas vis tiek gali sutrikdyti mikrofonus. Ypa\u010d problemi\u0161ki auk\u0161to da\u017enio garsai \u2013 \u0161uniuko lojimas, vaik\u0173 riksmas, statyb\u0173 triuk\u0161mas.<\/p>\n
Antra, akcentai ir tarties ypatumai. Balso atpa\u017einimo sistemos treniruojamos naudojant tam tikr\u0173 kalb\u0117toj\u0173 \u012fra\u0161us. Jei j\u016bs\u0173 tarimas labai skiriasi nuo to, k\u0105 sistema “gird\u0117jo” mokydamasi, tikslumas krenta. Tai ypa\u010d aktualu ma\u017eesn\u0117ms kalboms \u2013 lietuvi\u0173 kalbos atpa\u017einimas paprastai prastesnis nei angl\u0173, nes yra ma\u017eiau mokom\u0173j\u0173 duomen\u0173.<\/p>\n
Tre\u010dia, dviprasmi\u0161kos ar sud\u0117tingos u\u017eklausos. Sistema gali nesusigaudyti, jei sakote per daug informacijos vienu metu arba naudojate metaforas, sarkazm\u0105, humoro. “I\u0161junk \u0161vies\u0105, bet ne t\u0105 virtuv\u0117je, o t\u0105 kit\u0105, kuri \u0161alia sofos” \u2013 tokia komanda gali sukelti sunkum\u0173.<\/p>\n
Ketvirta, techniniai apribojimai. Jei interneto ry\u0161ys l\u0117tas, atsakymas u\u017etruks. Jei serveriai apkrauti, gali b\u016bti klaid\u0173. Jei \u012frenginio mikrofonas prastos kokyb\u0117s, garso \u012fra\u0161as bus prastas.<\/p>\n
Kai namuose turite \u012frengin\u012f, kuris nuolat klausosi, nat\u016bralu jausti nerim\u0105 d\u0117l privatumo. Ir \u0161is nerimas n\u0117ra visi\u0161kai nepagr\u012fstas \u2013 yra buv\u0119 atvej\u0173, kai balso asistentai atsitiktinai aktyvuodavosi ir \u012fra\u0161ydavo priva\u010dius pokalbius.<\/p>\n
Gamintoj\u0173 teigimu, \u012frenginiai tikrai \u012fra\u0161in\u0117ja tik tai, kas pasakoma po pa\u017eadinimo \u017eod\u017eio. Bet kaip jie gali atpa\u017einti pa\u017eadinimo \u017eod\u012f, jei nuolat neklausosi? Atsakymas \u2013 klausosi, bet ne \u012fra\u0161in\u0117ja. Bud\u0117jimo re\u017eimas analizuoja garsus realiu laiku, bet j\u0173 nesaugo. Tik i\u0161gird\u0119s pa\u017eadinimo \u017eod\u012f, \u012frenginys pradeda \u012fra\u0161in\u0117ti ir si\u0173sti duomenis \u012f serverius.<\/p>\n
Vis d\u0117lto yra keletas dalyk\u0173, kuriuos verta \u017einoti. Pirma, kai kurie gamintoj\u0173 darbuotojai gali klausytis j\u016bs\u0173 \u012fra\u0161\u0173 \u2013 tai daroma sistemos tobulinimui. Tiesa, tur\u0117tum\u0117te tur\u0117ti galimyb\u0119 atsisakyti \u0161ios “paslaugos” nustatymuose. Antra, \u012fra\u0161ai paprastai saugomi j\u016bs\u0173 paskyroje ir galite juos per\u017ei\u016br\u0117ti bei i\u0161trinti. Tre\u010dia, galite fizi\u0161kai i\u0161jungti mikrofonus daugelyje \u012frengini\u0173 \u2013 da\u017enai tam yra specialus mygtukas.<\/p>\n
Jei privatumas jums svarbus, verta:
\n– Reguliariai tikrinti ir trinti balso \u012fra\u0161\u0173 istorij\u0105
\n– I\u0161jungti mikrofono leidim\u0105 programoms, kurioms jo nereikia
\n– Fizi\u0161kai i\u0161jungti mikrofon\u0105, kai nenorite b\u016bti girdimi
\n– Perskaityti privatumo politik\u0105 ir i\u0161jungti duomen\u0173 dalijim\u0105si tre\u010diosioms \u0161alims<\/p>\n
Balso kontrol\u0117s technologija vystosi ne\u012ftik\u0117tinu grei\u010diu. Kas bus toliau? Keletas kryp\u010di\u0173 atrodo ypa\u010d \u012fdomios.<\/p>\n
Pirma, emocinis intelektas. B\u016bsimos sistemos gal\u0117s atpa\u017einti ne tik \u017eod\u017eius, bet ir emocijas j\u016bs\u0173 balse. Jos supras, ar esate piktas, li\u016bdnas, susijaudin\u0119s, ir atitinkamai reaguos. Jau dabar yra eksperimentini\u0173 sistem\u0173, kurios analizuoja balso ton\u0105, temp\u0105, pauzi\u0173 ilg\u012f ir gali sp\u0117ti kalb\u0117tojo emocin\u0119 b\u016bsen\u0105.<\/p>\n
Antra, daugiakalbyst\u0117. \u0160iandien turite pasirinkti vien\u0105 kalb\u0105 savo asistentui. Ateityje sistemos gal\u0117s skland\u017eiai perjungin\u0117ti tarp kalb\u0173 net per t\u0105 pat\u012f pokalb\u012f. Tai ypa\u010d aktualu daugiakalb\u0117ms \u0161eimoms ar \u017emon\u0117ms, kurie dirba tarptautin\u0117je aplinkoje.<\/p>\n
Tre\u010dia, kontekstinis supratimas. Sistemos taps daug geresn\u0117s suprasdamos situacij\u0105. Jos \u017einos, kur esate, k\u0105 darote, kokia dienos dalis, ir atitinkamai pritaikys atsakymus. Jei ryt\u0105 paklausite “Kaip atrodo?”, sistema supras, kad klausiate apie or\u0105 ir dienos plan\u0105. Vakare ta pati fraz\u0117 gali b\u016bti suprantama kaip klausimas apie rytojaus tvarkara\u0161t\u012f.<\/p>\n
Ketvirta, personalizacija. Sistemos geriau mokysis i\u0161 j\u016bs\u0173 \u012fpro\u010di\u0173 ir pageidavim\u0173. Jos \u017einos, kad jums patinka konkre\u010di\u0173 \u017eanr\u0173 muzika, kad da\u017eniausiai u\u017esisakote maisto penktadienio vakarais, kad nem\u0117gstate per daug i\u0161sami\u0173 atsakym\u0173.<\/p>\n
Penkta, proaktyvumas. Vietoj to, kad tik atsakyt\u0173 \u012f klausimus, asistentai prad\u0117s patys si\u016blyti pagalb\u0105. “Pasteb\u0117jau, kad tuoj prasid\u0117s susitikimas, bet eisi v\u0117luoti d\u0117l sp\u016bs\u010di\u0173. Ar prane\u0161ti dalyviams?” Tai jau ne tik balso kontrol\u0117, bet tikras asistento darbas.<\/p>\n
Gr\u012f\u017etant prie to, nuo ko prad\u0117jome \u2013 balso kontrol\u0117s sistemos per trump\u0105 laik\u0105 nu\u017eeng\u0117 ilg\u0105 keli\u0105. Nuo juoking\u0173 klaid\u0173 ir roboti\u0161kai skamban\u010di\u0173 atsakym\u0173 iki sistem\u0173, kurios beveik nat\u016braliai supranta ir reaguoja \u012f m\u016bs\u0173 kalb\u0105.<\/p>\n
\u0160iandien balso kontrol\u0117 n\u0117ra tik patogumas \u2013 daugeliui \u017emoni\u0173 tai tampa pagrindiniu b\u016bdu bendrauti su technologijomis. \u017dmon\u0117ms su reg\u0117jimo negalia, vyresnio am\u017eiaus \u017emon\u0117ms, kuriems sunku naudotis jutikliniais ekranais, ar tiesiog tiems, kurie vairuoja ar gamina maist\u0105 \u2013 balso kontrol\u0117 atveria naujas galimybes.<\/p>\n
Technologija veikia sud\u0117tingai, bet patirtis vartotojui yra paprasta \u2013 tiesiog kalbate ir gaunate tai, ko reikia. Tai ir yra geriausi\u0173 technologij\u0173 po\u017eymis \u2013 jos tampa nematomos, nat\u016bralios, integruotos \u012f kasdien\u012f gyvenim\u0105.<\/p>\n
\u017dinoma, dar yra daug k\u0105 tobulinti. Privatumo klausimai nei\u0161spr\u0119sti, tikslumas ne visada idealus, o kai kurios kalbos ir akcentai vis dar prastai palaikomi. Bet kryptis ai\u0161ki \u2013 balso kontrol\u0117 taps vis nat\u016bralesniu ir galingesniu b\u016bdu bendrauti su skaitmenin\u0117mis sistemomis. Ir kas \u017eino, galb\u016bt po de\u0161imties met\u0173 klaviat\u016bros ir pel\u0117s atrodys tokios pat archaji\u0161kos, kaip mums dabar atrodo perfokortos.<\/p>","protected":false},"excerpt":{"rendered":"