Vous vous souvenez quand l'idée de KITT, la voiture parlante de Knight Rider, vous a de nouveau époustouflé ? Ou lorsque Blade Runner Eric Decker ordonna verbalement à son ordinateur d'améliorer les photos de scènes de crime ? L'idée d'être compris par un ordinateur semblait assez futuriste, encore moins un qui pourrait répondre à vos questions et comprendre vos commandes. À propos de l'auteur Graeme John Cole est un contributeur de Rev, créateur du moteur de reconnaissance vocale automatique le plus précis au monde, Rev.ai. Aujourd'hui, nous portons tous KITT dans nos poches. Nous soupirons quand KITT répond au téléphone à la banque. La personnalité n'est pas encore là, mais les ordinateurs peuvent reconnaître presque parfaitement les mots que nous prononçons. Michael Knight, le héros Knight Rider qui s'est associé à sa voiture intelligente pour lutter contre le crime, était sceptique quant à la capacité de KITT à comprendre ses questions en 1982. Mais le développement de la technologie de reconnaissance vocale était en cours depuis les années 1950. Voici comment cette technologie a évolué au fil des ans. les années. Et comment nos façons d'utiliser la reconnaissance vocale et les capacités de synthèse vocale ont évolué avec la technologie.
Les premiers ordinateurs qui écoutent, 1950-1980
La puissance de la reconnaissance automatique de la parole (ASR) signifie que son développement a toujours été associé à de grands noms. Les laboratoires Bell ont ouvert la voie avec AUDREY en 1952. Le système AUDREY reconnaissait les nombres parlés avec une précision de 97 à 99 %, dans des conditions soigneusement contrôlées. Cependant, selon James Flanagan, un scientifique et ancien ingénieur électricien des Bell Labs, AUDREY était assise sur "un support de relais de six pieds de haut, consommant une puissance considérable et présentant la myriade de problèmes de maintenance associés aux circuits complexes des relais". tubes". AUDREY était trop cher et peu pratique, même pour des cas d'utilisation spécialisés. IBM a suivi en 1962 avec la Shoebox, qui reconnaissait les nombres et les termes mathématiques simples. Pendant ce temps, les laboratoires japonais ont développé la reconnaissance des voyelles et des phonèmes et le premier segment de la parole. C'est une chose pour un ordinateur de comprendre une petite plage de nombres (c'est-à-dire de 0 à 9), mais la percée de l'Université de Kyoto a été de "segmenter" une ligne de parole afin que la technologie puisse fonctionner sur une variété de sons parlés. . Dans les années 1970, le ministère de la Défense (DARPA) a financé le programme Speech Understanding Research (SUR). Les fruits de cette recherche comprenaient le système de reconnaissance vocale HARPY de Carnegie Mellon. HARPY a reconnu des phrases à partir d'un vocabulaire de 1.011 1980 mots, donnant au système la puissance d'un enfant moyen de trois ans. Quand j'avais trois ans, la reconnaissance vocale était maintenant belle et avait du potentiel, mais vous n'en voudriez pas au bureau. HARPY a été l'un des premiers à utiliser les modèles de Markov cachés (HMM). Cette méthode probabiliste a conduit au développement de l'ASR dans les années 1980. En fait, dans les années 20.000, les premiers cas d'utilisation viables pour les outils de synthèse vocale sont apparus avec le système de transcription expérimental d'IBM, Tangora. Avec une formation adéquate, Tangora pouvait reconnaître et écrire XNUMX XNUMX mots anglais. Cependant, le système était encore trop lourd pour une utilisation commerciale.ASR au niveau du consommateur, des années 1990 aux années 2010
"Nous pensions qu'il était faux de demander à une machine d'imiter les gens", se souvient Fred Jelinek, un innovateur de la reconnaissance vocale d'IBM. « Après tout, si une machine doit se déplacer, elle le fait sur roues, pas en marchant. Au lieu d'étudier de manière exhaustive comment les gens entendent et comprennent la parole, nous voulions trouver le moyen naturel pour la machine de le faire. L'analyse statistique était désormais le moteur de l'évolution de la technologie ASR. En 1990, Dragon Dictate est sorti en tant que premier logiciel commercial de reconnaissance vocale. Il coûte 9,000 18,890 €, soit environ 2021 1997 € en 1992, inflation comprise. Jusqu'à la sortie de Dragon Naturally Speaking en 1.200, les utilisateurs devaient encore faire une pause entre chaque mot. En 1990, AT&T a lancé le service de traitement des appels par reconnaissance vocale (VRCP) des Bell Labs, qui traite désormais environ 2004 milliard de transactions vocales chaque année. Mais la plupart des travaux de reconnaissance vocale dans les années 2007 ont eu lieu sous le capot. L'informatique personnelle et le Web omniprésent ont créé de nouveaux angles d'innovation. C'était l'opportunité découverte par Mike Cohen, qui a rejoint Google pour lancer les efforts de l'entreprise en matière de technologie vocale en 2010. Google Voice Search (XNUMX) a apporté la technologie de reconnaissance vocale aux masses. Mais il a également recyclé les données vocales de millions d'utilisateurs du réseau comme matériel de formation pour l'apprentissage automatique. Et il avait le poids de traitement de Google pour améliorer la qualité. Apple (Siri) et Microsoft (Cortana) ont suivi juste pour rester dans le match. Au début des années XNUMX, l'émergence de l'apprentissage en profondeur, des réseaux de neurones récurrents (RNN) et de la mémoire à long terme (LSTM) a conduit à un saut hyperspatial dans les capacités de la technologie ASR. Cet élan vers l'avant a également été alimenté dans une large mesure par l'essor et la disponibilité accrue de l'informatique à faible coût et des avancées algorithmiques massives.