Microsoft a prezentat modele de inteligență artificială care par să „citească gândurile” utilizatorului. Ele anticipează ce solicită persoana înainte să termine de vorbit. Tehnologia transformă vocea în text aproape în timp real, astfel încât asistentul virtual poate pregăti un răspuns cât timp omul încă își formulează cererea.
Compania a arătat trei modele pentru conversații vocale. Ele sunt făcute să transforme vorbirea în text aproape în timp real și să genereze răspunsuri vocale mai rapide și mai naturale, potrivit Mediafax.
Sistemele de recunoaștere vocală pot transcrie vorbirea în timp real, însă noul model Microsoft, MAI-Transcribe-2-Streaming, afișează primele rezultate la câteva sute de milisecunde după ce primește sunetul. Textul se actualizează pe măsură ce utilizatorul vorbește mai departe, fără să aștepte sfârșitul propoziției.
Sistemul își completează și își corectează transcrierea pe parcurs, până stabilește forma finală a propoziției, arată The New Stack.
Practic, inteligența artificială poate anticipa cererea înainte ca utilizatorul să termine de vorbit. Asistentul analizează cuvintele pe măsură ce sunt rostite și poate pregăti un răspuns mai repede. Dacă o persoană sună la serviciul de relații cu clienții ca să întrebe despre o factură, sistemul pregătește răspunsul înainte ca ea să termine de explicat problema.
Cele trei modele au funcții diferite. MAI-Transcribe-2-Streaming transformă vorbirea în text în timp real și recunoaște automat limba utilizatorului. MAI-Voice-2.1 transformă textul în vorbire, folosind o voce expresivă, în mai multe limbi. A treia, MAI-Voice-2.1-Flash, e gândită să genereze rapid răspunsuri vocale, inclusiv în aplicații care gestionează un număr mare de conversații.
Microsoft susține că MAI-Transcribe-2-Streaming 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.
Când viteza nu ajunge
Răspunsurile rapide pot face conversația mai naturală, dar apare și o problemă. Sistemul trebuie să deosebească momentul în care omul a terminat de vorbit de o simplă pauză din mijlocul propoziției.
Analiștii din tehnologie consideră că noile modele Microsoft sunt un progres. Ei atrag însă atenția că viteza nu este suficientă pentru ca asistentul să poată purta o conversație fără întreruperi.
Amit Kiran Rege, cercetător la Phonely, companie specializată în dezvoltarea asistenților vocali cu IA, a explicat că un sistem care răspunde prea repede poate interpreta greșit pauzele utilizatorului. Dacă o persoană se oprește câteva clipe ca să se gândească la ce vrea să spună, asistentul poate considera că a terminat și poate începe să răspundă.
De aceea, dezvoltatorii trebuie să îmbunătățească nu doar viteza cu care IA-ul transformă vorbirea în text, ci și capacitatea asistentului de a recunoaște când utilizatorul a terminat de formulat cererea, consideră cercetătorul.
Modelele, potrivit Microsoft, pot fi folosite în serviciile de relații cu clienții, în asistenții vocali și în aplicațiile de traducere sau transcriere în timp real. Ele ar putea sprijini și instrumente de subtitrare live sau aplicații educaționale interactive.
Scopul este ca dialogul cu un sistem de IA să semene mai mult cu o conversație obișnuită, fără pauze lungi și fără ca utilizatorul să fie nevoit să aștepte până termină de vorbit ca sistemul să înceapă să proceseze cererea.
