Tehnologija
Kā darbojas balss asistenti un kas tiem notiek aiz kulisēm
Uzzini, kā tavi viedtālruņa balss asistenti saprot tavu runas un sniedz pareizas atbildes reālajā laikā. Šajā rakstā noslēpums kļūst skaidrs.
Sveiki, Siri. Vai tu mani dzird?
Katru dienu miljardi cilvēku saka "Hei, Google" vai "Hei, Siri" un pēc sekundes saņem atbildes. Tas izskatās maģija, bet tas ir precīzi programmēts process. Asistents nav "dzīvs" — tas ir milzīgs skaits matemātisku operāciju, kas notiek supātri.
Pirms 10 gadiem balss asistenti bija pilnīgi bezjēdzīgi. Viņi nesaprasta kontekstu, pieņēma nepareizas nozīmes un bieži vien vienkārši uzrakstīja jaunus jautājumus vietā, lai tos atrisinātu. Šodien tie ir skarbi precīzi. Kas mainījies? Mašīnmācīšanās algoritmi.
Trīs posmi, kā balss asistents saprot tevis runāto
Balss asistentam jāveic trīs pamatuzdevumi, lai atbildētu uz jautājumu. Katrs no tiem ir neatkarīgs solis, un katra soli var nedēļas datorprocesēšanas.
01
Runas atpazīšana
Tālrunis ieraksta jūsu skaņu vilnis — tas ir tikai ciparu skaits, nevis "vārdi". Modeļi mēģina noskaidrot, kādi skaņu modeļi atbilst konkrētiem burtiem. Viņi noenkodē skaņu frekvences un nosūta to uz serveri.
02
Teksta interpretācija
Tagad sistēmai jāsaprot, ko tu faktiski jautāji. "Spēlē mans iecienītais dziesmu saraksts" nozīmē pavisam kas cits nekā "spēlē mans iecienītais". AI noskaidro nozīmi no konteksta. Tā izmanto iepriekšējās jūsu komandas.
03
Atbildes ģenerēšana un skaņa
Sistēma nosūta komandu (vai tekstu) lietojumprogrammai. Ja tas ir muzika, Spotify sāk spēlēt. Ja tas ir jautājums, AI ģenerē teksta atbildi un pēc tam sintetizē to skaņā, kuru tu dzirdi atpakaļ.
Kad tas notiek uz servera vs. tavā tālrunī
Jūs varētu domāt, ka visa apstrāde notiek tālrunī. Patiesībā — ne. Daudz grūtākais darbs notiek uz serveriem desmitiem kilometru attālumā. Taču ne viss. Daļa apstrādes ir uz tālruņa pašas. Tas paātrina atbildi un ietaupa akumulatoru.
Kad jūs sakāt "Hei, Siri", tālrunis pirmais modeļis darbojas lokāli. Tas atpazīst uzbudinājuma vārdu. Tikai tad, kad tas ir pabeigts, tas sūta pārējo audio uz Apple serveriem. Tā kā vēlāk uzbudinājuma atpazīšana jau ir padarīta, tik daudz nepieprasīts servera laiks.
"Pats vērtīgākais ir ātrums. Ja asistents aizņem vairāk nekā divas sekundes, lietotājs jau domā, ka tas ir salauzts."
— Inženieru atsauksme par balss sistēmu
Kāpēc jūs runājat daudz dažādi — un kā sistēma to saprot
Iztēlojies, ka jūs jāmāca bērnam sveikt "labdien". Vispirms viņš noklausās 1000 dažādu cilvēku sakot "labdien" — dažādi izskaņoti, dažādi ātrumi, dažādi akcenti. Pēc tam viņš sāk atpazīt šo vārdu jebkuram, pat ja viņš saka to neprecīzi.
Balss asistenti ir apmācīti uz tūkstošiem stundu balss dati. Google skaļumā skaņu bibliotēka. Apple sākotnēji izmantoja Siri balsi — tas ir vīrietis vai sieviete, kas ierakstīja milzīgu skaņu daļu. Mūsdienas sistēmas izmanto teksta sintēzi, lai ģenerētu daudz vairāk variāciju.
Neurālie tīkli
Matemātiskie modeļi, kas atdarina smadzeņu darbu. Tie atpazīst modeļus milzīgā datu apjomā.
Liels datu apjoms
Miljards balss piemēri. Dažādi valodas, akcenti, dialekti, trokšņa apstākļi.
Stāvoklis un atjauninājumi
Modeļi tiek atjaunināti katru nedēļu ar jauniem datiem. Tā sistēma kļūst arvien labāka.
Privātums
Daļa apstrādes notiek jūsu tālrunī, nevis uz serveriem. Jūsu balss dati netiek uzglabāti ilgstoši.
Reālie piemēri — kad tas strādā un kad tas nepieciešams
✓ Tas strādā labi
- Vienkārši jautājumi: "Kāds ir laiks?", "Ieslēgt lukturi"
- Bieži lietoti modeļi: "Spēlēt mūziku", "Sūtīt SMS"
- Komandas bez konteksta: "Iestatīt trauksmi uz 7:00"
- Vietējie jautājumi: "Kur ir tuvākais kafejnīca?"
✗ Tas mazāk strādā
- Sarežģīti jautājumi: "Kāds ir mana vasaras ceļojuma plāns?"
- Neskaidras norādes: "Izsaukt viņu" — bet kurš?
- Aprakstīti jutekliskos vārdus: "Tas ir sarkans" vai "tas ir skaistos"
- Reģionālie dialekti: "Ļoti svarīgi pareizi izrunāt katru burtu"
Kas nāk pēc tam? Balss asistenti, kas tiešām saprot
Šodien asistenti joprojām ir diezgan vienkārši. Viņi saprot komandas un vienkāršus jautājumus. Bet nākotnē? Sistēmas varētu saprasties gari sarunas, ņemot vērā jūsu iepriekšējos jautājumus un emocijas jūsu balsī.
Jaunākie modeļi, piemēram, GPT-4 un klīniskie modeļi, sāk parādīt "izpratni" par kontekstu. Viņi var noskaidrot, ko jūs tiešā nozīmē, nevis tikai vārdus, ko jūs sakāt. Tas ir tuvāk tam, kā cilvēki saprot cits citu. Bet mēs joprojām esam gadu, iespējams, 5-10 gadi prom no pavisam reālistiskas sarunas asistenta.
Gribētu uzzināt vairāk par mākslīgo intelektu? Izlasi citus rakstus mūsu kategorijavā!
Skatīt citus AI rakstus
ℹ Informācija
Šis raksts ir informatīvs un izglītojošs resurss par to, kā darbojas balss asistenti. Šajā rakstā aprakstītā informācija ir balstīta uz pašreizējiem zinātniski pamatotiem izpratni par mašīnmācīšanos un balss apstrādes tehnoloģijām. Tehnoloģija mainās ātri, un daļa šeit aprakstīto detaļu var mainīties. Rakstā izklāstītie piemēri ir vienkāršoti, lai padarītu koncepcijas vieglāk saprotamas. Reālā balss asistenta izveide ir daudz sarežģītāka nekā šajā rakstā aprakstīts.
Saistīti raksti
