Ricordi quando l'idea di KITT, l'auto parlante di Knight Rider, ti ha lasciato di nuovo a bocca aperta? O quando Blade Runner Eric Decker ordinò verbalmente al suo computer di migliorare le foto della scena del crimine? L'idea di essere capiti da un computer sembrava piuttosto futuristica, figuriamoci uno che potesse rispondere alle tue domande e capire i tuoi comandi. Informazioni sull'autore Graeme John Cole è un collaboratore di Rev, creatore del motore di riconoscimento vocale automatico più preciso al mondo, Rev.ai. Oggi tutti portiamo KITT nelle nostre tasche. Sospiriamo quando KITT risponde al telefono in banca. La personalità non è ancora presente, ma i computer sono in grado di riconoscere quasi perfettamente le parole che pronunciamo. Michael Knight, l'eroe di Knight Rider che ha collaborato con la sua smart car per combattere il crimine, era scettico sul fatto che KITT potesse capire le sue domande nel 1982. Ma lo sviluppo della tecnologia di riconoscimento vocale era in corso dagli anni '1950. Di seguito è riportato come questa tecnologia si è evoluta gli anni. E come i nostri modi di utilizzare il riconoscimento vocale e le funzionalità di sintesi vocale si sono evoluti con la tecnologia.
I primi computer che ascoltano, 1950-1980
Il potere del riconoscimento vocale automatico (ASR) significa che il suo sviluppo è sempre stato associato a grandi nomi. I Bell Laboratories hanno aperto la strada con AUDREY nel 1952. Il sistema AUDREY ha riconosciuto i numeri pronunciati con una precisione dal 97 al 99%, in condizioni attentamente controllate. Tuttavia, secondo James Flanagan, uno scienziato ed ex ingegnere elettrico dei Bell Labs, AUDREY era seduto su "un supporto per relè alto sei piedi, che assorbiva una notevole potenza ed esibiva la miriade di problemi di manutenzione associati ai complessi circuiti dei relè". tubi vuoti". AUDREY era troppo costoso e poco pratico, anche per casi d'uso specializzati. IBM seguì nel 1962 con Shoebox, che riconosceva numeri e semplici termini matematici. Durante questo periodo, i laboratori giapponesi svilupparono il riconoscimento di vocali e fonemi e il primo segmento del discorso. Una cosa è che un computer comprenda una piccola gamma di numeri (ad esempio 0-9), ma la svolta dell'Università di Kyoto è stata quella di "segmentare" una linea vocale in modo che la tecnologia potesse funzionare su una varietà di suoni parlati. Negli anni '1970, il Dipartimento della Difesa (DARPA) ha finanziato il programma Speech Understanding Research (SUR). I frutti di questa ricerca includevano il sistema di riconoscimento vocale HARPY di Carnegie Mellon. HARPY ha riconosciuto frasi da un vocabolario di 1.011 parole, conferendo al sistema la potenza di un bambino medio di tre anni. Quando avevo tre anni, il riconoscimento vocale ora era adorabile e aveva del potenziale, ma non lo avresti voluto in ufficio. HARPY è stato uno dei primi a utilizzare Hidden Markov Models (HMM). Questo metodo probabilistico ha portato allo sviluppo di ASR nel 1980. In effetti, nel 1980, i primi casi d'uso praticabili per gli strumenti di sintesi vocale sono apparsi con il sistema di trascrizione sperimentale di IBM, Tangora. Con una formazione adeguata, Tangora potrebbe riconoscere e scrivere 20.000 parole inglesi. Tuttavia, il sistema era ancora troppo pesante per l'uso commerciale.ASR a livello di consumatori, dagli anni '1990 agli anni 2010
"Abbiamo pensato che fosse sbagliato chiedere a una macchina di imitare le persone", ricorda Fred Jelinek, un innovatore del riconoscimento vocale IBM. “Dopo tutto, se una macchina deve muoversi, lo fa su ruote, non camminando. Invece di studiare in modo esaustivo come le persone ascoltano e comprendono il parlato, volevamo trovare il modo naturale in cui la macchina lo fa. L'analisi statistica era ora la forza trainante dietro l'evoluzione della tecnologia ASR. Nel 1990, Dragon Dictate è stato rilasciato come primo software di riconoscimento vocale commerciale. Costa 9,000 euro, circa 18,890 euro nel 2021, inflazione inclusa. Fino al rilascio di Dragon Naturally Speaking nel 1997, gli utenti dovevano ancora fare una pausa tra una parola e l'altra. Nel 1992, AT&T ha introdotto il servizio VRCP (Voice Recognition Call Processing) di Bell Labs, che ora elabora circa 1.200 miliardi di transazioni vocali ogni anno. Ma la maggior parte del lavoro di riconoscimento vocale negli anni '1990 ha avuto luogo sotto il cofano. Il personal computer e l'onnipresente web hanno creato nuovi angoli di innovazione. Questa è stata l'opportunità scoperta da Mike Cohen, che è entrato a far parte di Google per lanciare gli sforzi di tecnologia vocale dell'azienda nel 2004. Google Voice Search (2007) ha portato la tecnologia di riconoscimento vocale alle masse. Ma ha anche riciclato i dati vocali di milioni di utenti della rete come materiale di formazione per l'apprendimento automatico. E aveva il peso di elaborazione di Google per migliorare la qualità. Apple (Siri) e Microsoft (Cortana) hanno seguito solo per rimanere in gioco. All'inizio degli anni 2010, l'emergere del deep learning, delle reti neurali ricorrenti (RNN) e della memoria a lungo termine (LSTM) ha portato a un salto iperspaziale nelle capacità della tecnologia ASR. Questo slancio in avanti è stato anche alimentato in larga misura dall'aumento e dalla maggiore disponibilità di calcolo a basso costo e da massicci progressi algoritmici.