Искусственный интеллект научился грамотно распознавать речь среди шума

Виртуальные ассистенты и системы распознавания голоса достаточно хорошо научились «узнавать» то, что им говорит человек, и выполнять его команды. Но для корректной работы тех же Siri и Cortana посторонний шум может стать большой проблемой. Справиться с этой технической недоработкой могут помочь эксперты компании Mitsubishi Electric, которые представили новую технологию выделения речи одного человека из общего шума.

Технология японской компании получила название Deep Clustering, функционирование которой построено на принципах машинного изучения. Искусственный интеллект для начала научился самостоятельно выделять речь одного человека из общего потока различных звуков и шумов. Нейронная сеть разделяет входящие аудиоданные на различные элементы и анализирует каждый в отдельности, после чего уже может обрабатывать голос человека. Подобная работа наблюдается и при «присоединении» двух и более собеседников.

В ходе демонстрации технологии японской компании система смогла успешно разделить речь двух человек, говорящих в один микрофон одно и то же предложение на разных языках. Вся обработка производилась в режиме реального времени, а задержка не превышала трех секунд. Точность распознавания составила 90 процентов, а когда в микрофон начали говорить три человека, процент «попадания» упал до 80, что тоже является хорошим результатом. Как рассказывают авторы проекта Энтони Ветро и Йохеи Окато,