Jos nämä toteutuu, pian soitellaan enemmän "netille" kuin ihmisille.
Microsoft osti vuosi sitten nettipohjaista puheentunnistusta.
http://www.tietoviikko.fi/doc.te?f_id=1134500
Kutsuisin tuota puheenYMMÄRTÄMISEKSI. Kuinka pitkällä M$ on tässä? Gates on ennustanut puheentunnistusta yli 10 vuotta.
Tämän sivun mukaan myös Nokia on ollut aktiivinen näissä "luonnolliseen kyselyyn" perustuvissa tekniikoissa.
http://www.ling.helsinki.fi/filt/projects/index-fi.shtml
Minusta on valitettavan luonnollista että kyselyille tulee kokonaan oma yksityinen web-palvelu (puhegoogle.com) eikä esim semanttiseen webiin perustuva standardi. Jo laadukas puhegeneraattori vaatii niin paljon työtä että yksityinen rahoitus on siihen omiaan.
Microsoft osti vuosi sitten nettipohjaista puheentunnistusta.
http://www.tietoviikko.fi/doc.te?f_id=1134500
Kutsuisin tuota puheenYMMÄRTÄMISEKSI. Kuinka pitkällä M$ on tässä? Gates on ennustanut puheentunnistusta yli 10 vuotta.
Tämän sivun mukaan myös Nokia on ollut aktiivinen näissä "luonnolliseen kyselyyn" perustuvissa tekniikoissa.
http://www.ling.helsinki.fi/filt/projects/index-fi.shtml
Minusta on valitettavan luonnollista että kyselyille tulee kokonaan oma yksityinen web-palvelu (puhegoogle.com) eikä esim semanttiseen webiin perustuva standardi. Jo laadukas puhegeneraattori vaatii niin paljon työtä että yksityinen rahoitus on siihen omiaan.
Vastaukset 14
Vanhimmat
Onhan tuota toimivaa puheentunnista ja puhesynteesiä hehkutettu tosiaan jo vuositolkulla, mutta tiedä sitten kuinka lähellä se sitten oikeasti on. Tuolla kieliteknologian / tietojenkäsittelytieteen laitoksilla on muistaakseni tehty suomenkielistä puhesyntetisaattoria, mutta ei sitä ihan ihmiseksi kukaan usko.
Olen itse kyhännyt joitain puhekäyttöliittymiä ja käyttänyt paljon useampaa ja täytyy sanoa, että niin tekeminen kuin käyttäminenkin on törkeän hankalaa. Jossain vaiheessa tein Elisan puhekäyttöliittymään vikailmoitusta netin toimimattomuudesta... puolen tunnin jankkaamisen jälkeen pääsin kuulemaan ihan ihmiseltä että eihän robotti ollut saanut minkäänlaista vikaria aikaan. Silloin vähän turhautti.
Petteri Järvinen sanoi jo 1996
http://www.pjoy.fi/lehdet/9603pj.htm
"kunnollinen puheentunnistus edellyttäisi myös ymmärryksen ohjelmointia"
Näin se varmaan menee. Tuo "nettipohjaisuus" tuo sitä laajaa ymmärrystä jota tulkitseminen tarvitsee. Se tuo myös sosiaalista ymmärrystä. Jonkinlaisen sanaindeksin omaava Puhe-google voi ymmärtää nimen 'Cola-Olli', vaikka sellaisen yksittäisen tiedon "koodaaminen" etukäteen ei ole mahdollista tai järkevää.
Elisa voisi silloin ostaa puhekäyttöliittymää Microsoftilta, tai kuka se johtava valmistaja sitten onkaan.
Älykkäiden, mutta ihmisläheisten nettipalveluiden ongelmassa on ainakin neljä (ratkaisematonta tai keskeneräistä) päätasoa:
1. Lausutun puheen muuttaminen tekstiksi.
2. Tekstimuotoisen, luonnollisella kielellä esitetyn kyselyn tai muun viestin sisällön jäsentely.
3. Viestien sisällön ja tulkinta asiayhteys oikein huomioiden.
4. Nettisivujen tietojen loogisten sisältöjen ja asiakasviestien sisältöjen looginen yhdistäminen.
Puheentunnistaminen on on näistä vain vastaus ensimmäiseen ongelmaan. Semanttinen web on vastaus viimeiseen ongelmaan. Näiden välissä on kaksi erittäin vaikeaa ("AI-hard") ongelmaa: Luonnollisen kielen jäsentely, parsiminen, triviaaleja perusfraaseja lukuunottamatta on erittääin tutkittu ja oleellisisnta osiltaan ilman ratkaisua oleva haaste, koska se on kietoutunut kolmanteen, eli erittin laajaa commonsense-ymmärrystä edellyttävään viestin asiasisällön ymmärtämiseen.
Siis vain ensimmäiseen ja viimeiseen on tulossa lyhyellä aikavälillä (lähivuodet) jonkinlainen ratkaisu. Koko ketjun toimiminen edellyttää myös kahden keskimmäisen ratkaisemista. Tähän voi mennä aikaa esim 10-15v. Sillä välillä ja lopullista ratkaisua nopeuttaen, 1-kohdan ja 4-kohdan välille olisi mahdollista rakentaa silta lojbania käyttäen.
Näkisin niin että puhepalveluille riittäisi alussa tasot 3 ja 4. Siis palvelu käsittelisi suoraan äänen aaltomuotoa ja olisi siksi riippumaton kielestä. Aivan niin kuin nykyinen Google käsittelee sanoja merkkijonoina.
Alussa palvelu voisi toimia niin yksinkertaisesti että haukkumalla mikrofoniin voisi saada puhutun vastauksen: "Koiranruokaa?" Siihen sitten vastataan kyllä tai ei. Jne selattaisiin laajassa ontologiaviidakossa.
Haukuntaa ym. alkeellista uuspuhekieltä voisi opettaa mainonnassa.
OK. Varmaankin tuollaiselle käyttäjälle olisi kysyntää, erityisesti mobiilikäyttäjille. Mutta desktop-ympäristössä minä en vaihda qwerty-näppäimistöä mihinkään.
Onhan niitä (uuslukutaidottomia?) ihmisiä, joille youtube tunuu oleva pääaisiallinen tiedonlähde. Minulta jää useimmiten linkki katsomatta, jos löytyy ainoastaan youtube. Miksi siis ei puhe-googlelle olisi kysyntää sitten kun palvelu on korkeatasoista?
"Näkisin niin että puhepalveluille riittäisi alussa tasot 3 ja 4."
Taso 4 on semantic web, joka ehkä yleistyy ihan lähivuosina. Taso 3 on commonsense-ontologiat ja tietämyskannat, eli jotain sellaista kun MIT:n Media Lab kehittelee, ConceptNet 3:
http://conceptnet.media.mit.edu/cnet3.pdf
Sieltä ei saada "todella valmista" vielä vuosiin, ehkä vuosikymmeneen, vaikka ConceptNet 3 onkin lupaava ja riittänee joihinkin käytännön sovelluksiin jo nyt.
"Onhan niitä (uuslukutaidottomia?) ihmisiä"
Lisäksi on vähemmistöäidinkielisiä, lapsia, sokeita ja raajattomiakin. Ja tietysti eläimetkin pitää päästää nettiin.
Ja nämä "luonnolliset käyttöliittymät", (Gatesin uran viimeiset sanat http://www.itviikko.fi/page.php?page_id=46&news_id=2008423&rss=8) on oletettavasti helpompia ohjelmoida:
Ohjelma joka erottaa tunteet ihmisen kasvoilta
http://www.digitoday.fi/tiede-ja-teknologia/2008/03/04/Ohjelma erottaa tunteet ihmisen kasvoilta/20086514/66?rss=6
"Aivan niin kuin nykyinen Google käsittelee sanoja merkkijonoina. "
Tietokone käsittelee merkkijonoja, ei se raukka muuta osaa. Äänet koodataan merkkijonoiksi, samoin kuvat. Näistä merkkijonoista sitten tehdään merkkijononmuokkausalgoritmeilla uusi merkkijonoja, joista sitten ihmiset päättelevät asioita tyyliin "kuvassa on hymyilevät kasvot" tai "nauhoitteessa puhutaan englantia".
Se on todellakin näin yksinkertaista. Syntyvä älyn tai tunteen illuusio tulee meistä, ei kone mitään sellaista luo tai ymmärrä.
"Tietokone käsittelee merkkijonoja, ei se raukka muuta osaa."
Yritä nyt ymmärtää mistä puhutaan. Minä tajusin kyllä, että merkkijonolla tarkoitetaan tässä yhteydessä ASCII (tai esim UNICODE) -merkkejä, joiden informaatiosisältö on hieman eri tasolla kuin audioaaltomuodon näytteiden jono.
Ja että on kova haaste (mutta ratkeamassa) muuttaa audiodata ascii:ksi.
"Se on todellakin näin yksinkertaista. Syntyvä älyn tai tunteen illuusio tulee meistä, ei kone mitään sellaista luo tai ymmärrä."
Tuo on sitä vanhaa saivartelua. "Tietokone vain pureksii bittejä ohjelmoituja algoritmeja käyttäen ymmärtämättä mitään koko asiasta".
Samoin ihmisen aivojen neuronit vain painotetusti summailevat aktiopotentiaaleja ja synnyttävät uusia, jotka sitten lähettävät edelleen. Eivät ihmisen aivot siis pohjimmaltaan ymmärrä mistään mitään. Niinhän se on?
"ihmiset päättelevät asioita tyyliin "kuvassa on hymyilevät kasvot" tai "nauhoitteessa puhutaan englantia"...Syntyvä älyn tai tunteen illuusio tulee meistä, ei kone mitään sellaista luo tai ymmärrä. "
Eikö se, jota me näemme kuvissa, ole illuusio. Sehän on pelkkää merkkijonoa tai pikseleitä. Oikea hymy on kasvoilla, ei kuvissa. Tietokoneelle syntyy illuusio että ymmärtäisimme jotain merkkijonotiedostoista.
"Ja että on kova haaste (mutta ratkeamassa) muuttaa audiodata ascii:ksi."
Audio pitäisi tietysti purkaa eri kerroksiin ja osata sovittaa se ontologiaan, eli se vaatii neuroverkkoa tai vastaavaa. Palvelun on tietysti vaikeampaa tunnistaa miljoonia eri ääniä, kun ekstakteja sanoja.
"Minä tajusin kyllä, että merkkijonolla tarkoitetaan tässä yhteydessä ASCII (tai esim UNICODE) -merkkejä, joiden informaatiosisältö on hieman eri tasolla kuin audioaaltomuodon näytteiden jono. "
Informaatiosisältö? Jos haet takaa sitä, että hakumoottori toimisi äänellä ohjattuna eikä sanoilla, niin kyllä - en ymmärtänyt tätä aiemmista viesteistä.
"Ja että on kova haaste (mutta ratkeamassa) muuttaa audiodata ascii:ksi. "
Tarkoitat että on haaste eroittaa puhetta sisältävästä audiodatasta puheen kirjoitettu muoto? Onko tämä nyt mielestäsi sama asia kuin "muuttaa audiodata ascii:ksi"?
Minä en ole enää varma kumpi meistä tässä nyt on tyhmä.
Minusta tuntuu että sinulla on vaikeuksia käyttää täsmällisiä käsitteitä ja heittelet hienolta kuulostavaa populaariretoriikkaa vailla sisältöä. Minä en taas pysty jäsentämään keskustelua ellei sitä käydä täsmällisillä termeillä.
"Samoin ihmisen aivojen neuronit vain painotetusti summailevat aktiopotentiaaleja ja synnyttävät uusia, jotka sitten lähettävät edelleen. Eivät ihmisen aivot siis pohjimmaltaan ymmärrä mistään mitään. Niinhän se on?"
Niin kai sitten kun kerran niin sanot.
"Jos haet takaa sitä, että hakumoottori toimisi äänellä ohjattuna eikä sanoilla"
Tässä haukahduksella tarkoitettiin koiraa, eli se on sekä ääni että sana.
http://fi.wikipedia.org/wiki/Sana
"Kielitieteessä sana on kielen kirjoitettu tai puhuttu yksikkö, joka sisältää merkityksen."
Jo toistakymmentä vuotta on Nokian puhelimissa ollut ns. äänivalinta. Viimeinen puhelimeni viime syksyltä.
Äänivalinnassa riittäisi kun tunnistaisi kymmenkunta erilaista etukäteen asianomaisen ohjelmoimaa älähdystä.
Ei vaan pelaa edes tyydyttävästi.
Kaukana on ennalta ohjelmoimattomien eri ihmisten varsinaisen puheen sisällön ymmärtäminen. Kovin kaukana. Eikö siis ole ennenaikaisen turhaa väitellä puheen hienovieritteisestä sisällön ymmärtämisestä.
Tuskin koskaan tulee aikaa jolloin koneen kanssa voisi kommunikoida tavallisella puhekielellä. Sitä ei kannata jäädä tässä odottamaan, vaan ajatella tunnistaminen kokonaisvaltaisemmaksi.
Äänivalinta tehostuu kun tunnistusalgoritmi ottaa huomioon myös ajan, sijaintisi, viimeksi äännähdetyn soittajan ja miten viimeksi älähdit kutakin nimeä onnistuneesti. Mitä enemmän järjestelmä tietää sinusta, sitä paremmin se arvaa sanojasi ja lukee sinua! Edellyttää kuitenkin ohjelmointia.
Kymmenen erilaisen älähdyksen tunnistaminen olisi tarpeen mutta tekoäly näyttää tulevan eri tavalla. Se ei "halua" jäädä suljetuksi systeemiksi.
Lojban-kieli voisi tosiaan olla oljenkorsi.
"Kaukana on ennalta ohjelmoimattomien eri ihmisten varsinaisen puheen sisällön ymmärtäminen."
Mutta lähellä oli ne ajat jolloin web-palvelut eivät keränneet meistä jokapäiväistä tietoa...