Microsoft a prezentat trei modele de inteligență artificială pentru conversații vocale, concepute pentru a transforma vorbirea în text aproape în timp real și pentru a genera răspunsuri vocale mai rapide și mai naturale.
IA ghicește cererea înainte ca aceasta să fie formulată integral
Sistemele de recunoaștere vocală pot transforma vorbirea în text în timp real, însă noul model Microsoft, MAI-Transcribe-2-Streaming, începe să afișeze primele rezultate la câteva sute de milisecunde după ce primește sunetul. Apoi, actualizează textul pe măsură ce utilizatorul continuă să vorbească, fără să aștepte încheierea propoziției.
Potrivit The New Stack, primele rezultate apar în câteva sute de milisecunde de la primirea sunetului. Pe măsură ce persoana continuă să vorbească, sistemul își completează și își corectează transcrierea, până când stabilește forma finală a propoziției.
Practic, inteligența artificială poate anticipa cererea înainte ca utilizatorul să termine de vorbit. În loc să aștepte sfârșitul propoziției, asistentul virtual analizează cuvintele pe măsură ce sunt rostite și poate pregăti un răspuns mai rapid.
De exemplu, dacă o persoană sună la serviciul de relații cu clienții pentru a întreba despre o factură, sistemul pregătește răspunsul înainte ca aceasta să termine de explicat problema.
Trei modele pentru conversații mai rapide
Cele trei modele prezentate de Microsoft au funcții diferite. Primul, MAI-Transcribe-2-Streaming, transformă vorbirea în text în timp real și recunoaște automat limba utilizatorului. Al doilea, MAI-Voice-2.1, transformă textul în vorbire, folosind o voce expresivă, în mai multe limbi. Cel de-al treilea, MAI-Voice-2.1-Flash, este conceput pentru a genera rapid răspunsuri vocale, inclusiv în aplicații care gestionează un număr mare de conversații.
Microsoft susține că MAI-Transcribe-2-Streaming, modelul care transformă vorbirea în text în timp real, a obținut cele mai bune rezultate în clasamentul Artificial Analysis, care compară performanțele sistemelor de inteligență artificială, atât pentru transcrierile intermediare, cât și pentru cele finale.
Viteza nu este suficientă
Deși răspunsurile rapide pot face conversațiile cu inteligența artificială mai naturale, există și o problemă: sistemul trebuie să recunoască diferența dintre momentul în care o persoană a terminat de vorbit și o simplă pauză în timpul unei propoziții.
Analiștii în domeniul tehnologiei consideră că noile modele Microsoft reprezintă un progres. Totuși, ei atrag atenția că viteza nu este suficientă pentru ca un asistent virtual să poată purta o conversație fără întreruperi.
Un sistem care răspunde prea repede poate interpreta greșit pauzele utilizatorului, a explicat Amit Kiran Rege, cercetător la Phonely, companie specializată în dezvoltarea asistenților vocali cu IA. De exemplu, dacă o persoană se oprește câteva clipe pentru a se gândi la ce vrea să spună, asistentul virtual poate considera că aceasta a terminat și poate începe să răspundă.
De aceea, dezvoltatorii trebuie să îmbunătățească nu doar viteza cu care inteligența artificială transformă vorbirea în text, ci și capacitatea asistentului virtual de a recunoaște când utilizatorul a terminat de formulat o cerere, consideră cercetătorul.
Unde ar putea fi folosită tehnologia
Potrivit Microsoft, noile modele pot fi utilizate în serviciile de relații cu clienții, în asistenții vocali și în aplicațiile de traducere sau transcriere în timp real. Ele ar putea sprijini și crearea unor instrumente de subtitrare live sau dezvoltarea unor aplicații educaționale interactive.
Scopul este ca dialogul cu un sistem de inteligență artificială să semene mai mult cu o conversație obișnuită, fără pauze lungi și fără ca utilizatorul să fie nevoit să aștepte de fiecare dată până termină de vorbit pentru ca sistemul să înceapă să proceseze cererea.