Tiga cabaran utama teknologi suara kecerdasan buatan

Pengamal kecerdasan buatan sering menghadapi tiga halangan biasa apabila ia berkaitan dengan teknologi pertuturan ke pertuturan.

Prospek kecerdasan buatan (AI) yang dapat menjana data seperti manusia telah diperkatakan selama beberapa dekad. Walau bagaimanapun, saintis data telah menangani masalah ini dengan kejayaan yang terhad. Mengenal pasti strategi berkesan untuk mencipta sistem sedemikian dengan tepat menimbulkan cabaran daripada teknikal kepada etika dan segala-galanya di antaranya. Walau bagaimanapun, AI generatif telah muncul sebagai titik terang untuk ditonton.

Pada asasnya, AI generatif membolehkan mesin menjana kandungan daripada pertuturan kepada penulisan kepada seni menggunakan elemen seperti fail audio, teks dan imej. Syarikat pelaburan teknologi Sequoia Capita berkata: "AI Generatif bukan sahaja akan menjadi lebih pantas dan lebih murah, tetapi dalam beberapa kes akan menjadi lebih baik daripada kecerdasan buatan yang dicipta oleh manusia

Terutamanya berdasarkan kemajuan Generatif terkini dalam teknologi pembelajaran mesin untuk." ucapan telah mencapai kemajuan yang besar, tetapi perjalanan kita masih jauh. Malah, pemampatan suara muncul dalam apl yang sangat bergantung pada pengguna, seperti Zoom dan Pasukan, yang masih berdasarkan teknologi dari tahun 1980-an dan 1990-an. Walaupun pertuturan mempunyai potensi yang tidak terhad untuk teknologi pertuturan, adalah penting untuk menilai cabaran dan kelemahan yang menghalang pembangunan AI generatif.

Berikut ialah tiga halangan biasa yang dihadapi oleh pengamal AI apabila ia berkaitan dengan teknologi suara ke pertuturan.

1. Kualiti Bunyi

Boleh dikatakan bahagian terpenting dalam dialog terbaik ialah ia boleh difahami. Dalam kes teknologi pertuturan ke pertuturan, matlamatnya adalah untuk berbunyi seperti manusia. Contohnya, intonasi robotik Siri dan Alexa adalah seperti mesin dan tidak selalu jelas. Ini sukar dicapai dengan kecerdasan buatan atas beberapa sebab, tetapi nuansa bahasa manusia memainkan peranan yang besar.

Undang-undang Merabian boleh membantu menjelaskan perkara ini. Perbualan manusia boleh dibahagikan kepada tiga bahagian: 55% ekspresi muka, 38% nada suara dan hanya 7% teks. Pemahaman mesin bergantung pada perkataan atau kandungan untuk beroperasi. Hanya dengan kemajuan terkini dalam pemprosesan bahasa semula jadi (NLP) telah memungkinkan untuk melatih model AI berdasarkan mood, emosi, timbre dan aspek bahasa penting (tetapi tidak semestinya dituturkan) lain. Lebih mencabar jika anda hanya berurusan dengan audio, bukannya penglihatan, kerana tidak lebih separuh daripada pemahaman datang daripada ekspresi muka.

2. Kependaman

Analisis komprehensif oleh kecerdasan buatan mungkin mengambil masa, tetapi dalam komunikasi suara-ke-suara, masa nyata adalah satu-satunya masa yang penting. Penukaran pertuturan mesti berlaku serta-merta apabila bercakap. Ia juga harus tepat, yang seperti yang anda bayangkan bukanlah tugas yang mudah untuk mesin.

Keperluan masa nyata berbeza mengikut industri. Contohnya, pencipta kandungan yang melakukan podcast mungkin lebih mementingkan kualiti bunyi daripada penukaran suara masa nyata. Tetapi dalam industri seperti perkhidmatan pelanggan, masa adalah penting. Jika ejen pusat panggilan menggunakan AI berbantukan suara untuk membalas pemanggil, mereka mungkin membuat pengorbanan dalam kualiti. Namun, masa adalah penting dalam menyampaikan pengalaman yang positif.

3. Skala

Untuk teknologi pertuturan ke pertuturan mencapai potensinya, ia mesti menyokong pelbagai loghat, bahasa dan dialek serta tersedia untuk semua orang—bukan hanya wilayah tertentu atau pasaran. Ini memerlukan penguasaan aplikasi khusus teknologi dan melakukan banyak penalaan dan latihan untuk membuat skala dengan berkesan.

Penyelesaian teknologi yang baru muncul bukan satu saiz untuk semua penyelesaian, semua pengguna memerlukan beribu-ribu seni bina untuk menyokong infrastruktur AI ini. Pengguna juga harus mengharapkan ujian model yang konsisten. Ini bukan perkara baharu: semua cabaran klasik pembelajaran mesin juga digunakan untuk bidang AI generatif.

Jadi bagaimana orang mula menyelesaikan masalah ini supaya mereka mula menyedari nilai teknologi pertuturan kepada pertuturan. Pertama, anda mesti menguasai masalah. Sebelum ini saya memberi contoh pusat panggilan dan pencipta kandungan. Pastikan anda memikirkan kes penggunaan dan hasil yang diingini dan pergi dari situ.

Kedua, pastikan organisasi anda mempunyai seni bina dan algoritma yang betul. Tetapi sebelum itu berlaku, pastikan perniagaan anda mempunyai data yang betul. Kualiti data adalah penting, terutamanya apabila mempertimbangkan sesuatu yang sensitif seperti bahasa dan pertuturan manusia. Akhir sekali, jika aplikasi anda memerlukan penukaran pertuturan masa nyata, pastikan ciri itu disokong. Akhirnya, tiada siapa yang mahu bercakap dengan robot.

Walaupun kebimbangan etika tentang penjanaan palsu AI, persetujuan dan pendedahan yang sesuai kini muncul, adalah penting untuk memahami dan menangani isu asas terlebih dahulu. Teknologi suara ke pertuturan berpotensi untuk merevolusikan cara kita memahami antara satu sama lain, mewujudkan peluang untuk inovasi yang menyatukan orang ramai. Tetapi untuk mencapai matlamat ini, cabaran utama mesti dihadapi terlebih dahulu. ?

Atas ialah kandungan terperinci Tiga cabaran utama teknologi suara kecerdasan buatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!