Trois défis majeurs de la technologie vocale de l'intelligence artificielle

Les praticiens de l'intelligence artificielle rencontrent souvent trois obstacles courants lorsqu'il s'agit de technologie parole-parole.

La perspective d’une intelligence artificielle (IA) capable de générer des données de type humain fait l’objet de discussions depuis des décennies. Cependant, les data scientists ont résolu ce problème avec un succès limité. Identifier avec précision des stratégies efficaces pour créer de tels systèmes pose des défis allant du technique à l'éthique et tout le reste. Cependant, l’IA générative est apparue comme un point positif à surveiller.

À la base, l'IA générative permet aux machines de générer du contenu, de la parole à l'écriture en passant par l'art, en utilisant des éléments tels que des fichiers audio, du texte et des images. La société d'investissement technologique Sequoia Capita a déclaré : « L'IA générative deviendra non seulement plus rapide et moins chère, mais sera dans certains cas meilleure que l'intelligence artificielle créée par les humains.

En particulier l'apprentissage automatique basé sur la technologie vocale générative, les progrès récents ont fait d'énormes progrès. , mais les gens ont encore un long chemin à parcourir. En fait, la compression vocale apparaît dans les applications très utilisées, comme Zoom et Teams, qui reposent encore sur la technologie des années 1980 et 1990. Bien que la parole ait un potentiel illimité pour la technologie vocale, il est essentiel d’évaluer les défis et les lacunes qui entravent le développement de l’IA générative.

Voici trois obstacles courants auxquels les praticiens de l'IA sont confrontés en matière de technologie parole-parole.

1. Qualité sonore

Sans doute, la partie la plus importante du meilleur dialogue est qu'il soit compréhensible. Dans le cas de la technologie parole-parole, l’objectif est de ressembler à un humain. Par exemple, les intonations robotiques de Siri et Alexa ressemblent à celles d'une machine et ne sont pas toujours claires. Ceci est difficile à réaliser avec l’intelligence artificielle pour plusieurs raisons, mais les nuances du langage humain jouent un rôle important.

La loi de Merabian peut aider à expliquer cela. La conversation humaine peut être divisée en trois parties : 55 % d’expressions faciales, 38 % de ton de voix et seulement 7 % de texte. La compréhension automatique repose sur des mots ou du contenu pour fonctionner. Seules les avancées récentes en matière de traitement du langage naturel (NLP) ont permis de former des modèles d’IA basés sur l’humeur, l’émotion, le timbre et d’autres aspects importants (mais pas nécessairement parlés) du langage. C'est encore plus difficile si vous vous occupez uniquement de l'audio plutôt que de la vision, car pas plus de la moitié de la compréhension provient des expressions faciales.

2. Latence

Une analyse complète par l'intelligence artificielle peut prendre du temps, mais dans la communication voix-voix, le temps réel est le seul temps qui compte. La conversion vocale doit avoir lieu immédiatement lorsque vous parlez. Il doit également être précis, ce qui, comme vous pouvez l’imaginer, n’est pas une tâche facile pour une machine.

La nécessité du temps réel varie selon le secteur. Par exemple, un créateur de contenu réalisant des podcasts peut être plus préoccupé par la qualité sonore que par la conversion vocale en temps réel. Mais dans un secteur comme le service client, le temps presse. Si les agents des centres d’appels utilisent l’IA à assistance vocale pour répondre aux appelants, ils risquent de faire des sacrifices en termes de qualité. Pourtant, le temps presse pour offrir une expérience positive.

3. Échelle

Pour que la technologie voix-parole atteigne son potentiel, elle doit prendre en charge une variété d'accents, de langues et de dialectes et être accessible à tous, et pas seulement à des régions ou des marchés spécifiques. Cela nécessite de maîtriser l’application spécifique de la technologie et de procéder à de nombreux réglages et formations afin d’évoluer efficacement.

Les solutions technologiques émergentes ne sont pas universelles ; pour une solution donnée, tous les utilisateurs auront besoin de milliers d'architectures pour prendre en charge cette infrastructure d'IA. Les utilisateurs doivent également s’attendre à des tests cohérents des modèles. Ce n’est pas nouveau : tous les défis classiques du machine learning s’appliquent également au domaine de l’IA générative.

Alors, comment les gens commencent-ils à résoudre ces problèmes afin de commencer à prendre conscience de la valeur de la technologie parole-parole ? Heureusement, lorsque vous la décomposez étape par étape, c'est moins effrayant. Tout d’abord, vous devez maîtriser le problème. Plus tôt, j'ai donné l'exemple d'un centre d'appels et d'un créateur de contenu. Assurez-vous de réfléchir aux cas d'utilisation et aux résultats souhaités et partez de là.

Deuxièmement, assurez-vous que votre organisation dispose de la bonne architecture et des bons algorithmes. Mais avant que cela ne se produise, assurez-vous que votre entreprise dispose des bonnes données. La qualité des données est importante, surtout lorsqu’il s’agit de quelque chose d’aussi sensible que le langage et la parole humains. Enfin, si votre application nécessite une conversion vocale en temps réel, assurez-vous que cette fonctionnalité est prise en charge. En fin de compte, personne ne veut parler à un robot.

Alors que des préoccupations éthiques concernant la génération de deepfakes d’IA, le consentement et la divulgation appropriée émergent désormais, il est important de d’abord comprendre et résoudre les problèmes fondamentaux. La technologie voix-parole a le potentiel de révolutionner la façon dont nous nous comprenons, en créant des opportunités d’innovation qui rassemblent les gens. Mais pour atteindre cet objectif, il faudra d’abord relever des défis majeurs. ?

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!