Készítsük el az első nyílt magyar beszédfelismerőt!

Hogyan működik a gépi diktálás?

Hogyan értik meg beszédünket a számítógépünk, telefonunk, Alexa vagy Siri?

Hogyan tudsz Te is segíteni, hogy a technológia mindenki számára elérhetővé váljon?

Az emberi beszédfelismerésben kulcsfontosságú a Gépi tanulás és a Mesterséges intelligencia. Hangfelvételeket és a hozzájuk tartozó leírásokat mutatva, kellően sok minta esetén a számítógép képes megtanulni a hang és a szöveg közötti összefüggéseket. Ezen összefüggéseket hívjuk a gépi tanulás modelljének. Ahogy mi is gyakorlással mélyítjük el tudásunkat, a számítógép is annál pontosabb, minél több mintából tanul. Minél jobb minőségűek a minták, annál jobb minőségű lesz az elkészült modell is. Ez a tanítás korábban sok kézi beállítást igényelt, de a mai Deeplearning modellek kellően sok minta esetén automatikusan felismerik az összefüggéseket.

Ilyen modell tanítható például a DeepSpeech modul segítségével, mely mindenki számára elérhető a Mozilla Alapítvány jóvoltából. A programot bárki letöltheti és egy gyors számítógépen megtaníthatja saját modelljét. Mind a Google Asszisztense, mind az Apple Siri-je egy ehhez hasonló modellt használ a háttérben. Kidolgozni egy Deeplearning modellt, majd kellően sok mintát összegyűjteni igen hosszadalmas és költséges feladat, így az elkészült modellek nem érhetőek el nyilvánosan.

A magyar beszédfelismerést megkötésekkel, mint fizetős szolgáltatást lehet használni csak. Pedig a beszédfelismerés angol nyelvterületen már nagyon elterjedt. Azon kívül, hogy kényelmi szolgáltatást nyújt azoknak, akik okosotthonnal rendelkeznek, nagyon nagy segítség az idősebb generációnak és a gyengénlátóknak. Számukra a hang alapú kommunikáció olykor az egyetlen lehetőség, hogy teljes életet éljenek. Segítségével könnyen kommunikálnak rokonaikkal, barátaikkal, értesülhetnek a hírekről és akár el is intézhetik bevásárlásaikat.

A felhasználási terület sokrétű, de egy nyilvánosan elérhető modell nélkül nem lehetséges. Ezért a te segítségedre van szükség. Hozzuk létre együtt a magyar beszédfelismerés modelljét, hogy ne csak idegen nyelven tudjunk beszélni a számítógéppel. Gyűjtsünk össze elég hangmintát, hogy magyar beszédfelismerő modellt tudjunk tanítani. A Mozilla alapítvány ehhez létrehozott egy weboldalt, ahol már meg is kezdődött a munka.

A Common Voice weboldalon az alábbi lépéseket lehet elvégezni:

1. A hangminták felvételét.

2. A mások által felvett hangminták ellenőrzését.

Ezekhez egy könnyen használható felület áll rendelkezésünkre.

Az ellenőrzött hanganyag automatikusan rendelkezésre áll és bárki felhasználhatja, hogy saját modellt tanítson, amely könnyen beépíthető más alkalmazásokba. További információért látogass el a Common Voice weboldalra.