Chcesz podyktować tekst komputerowi, głosem sterować rożnego rodzaju urządzeniami, a może znudziło ci się żmudne przepisywanie notatek? W Trójmieście powstaje technologia rozpoznawania mowy ciągłej. Dzięki systemowi, nad którym pracuje firma Voice Lab, możemy nie tylko głosem sterować komórką czy komputerem. System pozwala na to, aby głos ludzki przetwarzany cyfrowo był zamieniany na tekst. O nowych pomysłach na rozpoznawanie mowy rozmawiamy z założycielami Voice Lab Tomaszem Szwelnikiem i Marcinem Kuropatwińskim.
brak wsparcia instytucji rządowych i samorządowych
21%
duża konkurencja firm zagranicznych
4%
brak środków finansowych i możliwości ich pozyskania z zewnątrz
21%
wysokie koszty i ryzyko takich wdrożeń
33%
mały dostęp do nowych technologii
6%
brak potrzeby wprowadzania innowacji
15%
Rozpoznawanie mowy wydaje się dla laika czymś wyjątkowo prostym. Mówimy do urządzenia, ono wykonuje komendy lub zapisuje nasz głos w formie tekstu. Jednak naprawdę stoi za tym skomplikowana technologia i masa pracy.Marcin Kuropatwiński: - Budowanie takich systemów jest bardzo trudne. Poprawa ich skuteczności powyżej jakiegoś progu wiąże się z olbrzymim wysiłkiem oraz z dużymi kosztami.
Tomasz Szwelnik: - Są to także projekty interdyscyplinarne. Trzeba mieć zespół ludzi zajmujących się fonetyką, lingwistyką, matematyką, informatyką i akustyką. Na świecie systemy rozpoznawania mowy konstruowane są przez duże zespoły badawcze. Często tworzy je jednocześnie kilka instytutów. Przykładem może być znany system rozpoznawania mowy Julius, który został skonstruowany przez instytuty badawcze w Japonii, czy Sphinx - system stworzony przez naukowców z Carnegie Mellon University w USA. Są też systemy czysto komercyjne, jak system Whisper firmy Microsoft. Tworzą je duże zespoły, duże korporacje, a na pracę składa się wiele lat badań. My znajdujemy się wśród nielicznych firm, które opracowały własny dekoder do rozpoznawania mowy ciągłej, czyli zamiany mowy ciągłej na tekst.
Wielkie korporacje, ogromne kwoty pieniędzy, a jednak od lat nie można stworzyć idealnego systemu rozpoznawania mowy. Jak wy chcecie poradzić sobie z tym problemem, konkurując z takimi gigantami jak Microsoft czy Google?MK: - Mamy całkiem spory zespół, złożony z kilkunastu osób z różnych dziedzin. Naszą ambicją i celem jest opracowanie technologii zdolnej konkurować z rozwiązaniami światowymi - opracowane przez Voicelab rozwiązania są w wysokim stopniu niezależne od języka. Jesteśmy na etapie wdrażania technologii, która została zgłoszona do patentu. Chcielibyśmy tym rozwiązaniem podbić rynki światowe.
TS: - Działania Voicelab wspiera inwestor. Jest nim współzałożyciel Wirtualnej Polski,
Jacek Kawalec. Dzięki temu wsparciu mamy przede wszystkim możliwości realizacji naszego projektu i stałego ulepszania technologii. Nasza technologia została zgłoszona do patentu w Stanach Zjednoczonych. Dotyczy on modelu akustycznego, gdzie udało się znaleźć wyznacznik jego poprawności.
MK: - Na świecie dosyć dużo ludzi nad tego rodzaju rozwiązaniami pracuje. Prace badawcze nad rozpoznawaniem mowy trwają już od lat 60. Okazuje się, ze głównym czynnikiem wpływającym na skuteczność tych rozwiązań jest rozmiar bazy danych. Obmyśliliśmy więc nowoczesny sposób na ich gromadzenie. Nikt przed nami nie robił tego na taką skalę. Drugą rzeczą jest oparcie się na czymś, co nazywa się modelami dyskretnymi. Jest to sposób statystycznego wnioskowania w oparciu o duże zbiory danych. Mamy też inne autorskie rozwiązania technologiczne, o których nie możemy dużo mówić, bo czekają one obecnie na zgłoszenie do patentów. Nie wszystko możemy zdradzić, ponieważ jest to jak na razie tajemnica firmy.
TS: - Te wszystkie elementy stanowią o tym, że jesteśmy bardzo oryginalni w rozpoznawaniu mowy i zaawansowani w stosunku do pomysłów, nad jakimi pracuje się obecnie na świecie. Musimy jeszcze przejść proces zbierania danych, czyli zebrać próbki głosu od jak największej liczby osób. Po to, aby mowa była jak najlepiej rozpoznawana przez nasz system. Stworzyliśmy specjalny serwis
www.pracujrazemznami.pl, który pozwala nagrywać przez internet próbki głosu, za które płacimy. Zapraszamy więc do nagrywania. Liczymy na odzew społeczności internetowej. Chodzi nam o to, aby ludzie pomogli udoskonalić nasz system. Jesteśmy przekonani, że dzięki zaangażowaniu internautów jesteśmy w stanie opracować bardzo skuteczny system rozpoznawania mowy polskiej.
MK: - Nie możemy powiedzieć, że już jesteśmy najlepsi. Duzi gracze masowo gromadzą dane poprzez swoje serwisy. Przykładem może być voice search firmy Google czy Siri firmy Apple. Korporacje w zawrotnym tempie gromadzą dane, których my jeszcze nie mamy w odpowiedniej ilości.
Jak długo będziecie zbierać te dane, aby móc zaoferować gotowy produkt?TS: - Mamy już gotowy komercyjny produkt oparty o rozpoznawanie gramatyk w standardzie SRGS (ang. Speech Recognition Grammar Specification). Wdrożyliśmy dla Pomorskiego Parku Technologicznego we współpracy z firmą Master Telecom infolinię sterowaną głosem. Na potrzeby Gdańskiego Parku Naukowo-Technologicznego stworzyliśmy interfejs dla kiosku internetowego we współpracy z firmą Denise Systems. Za pomocą głosu możemy uzyskać wszelkie informacje na temat firm działających w Parku. Jest to proste rozpoznawanie mowy, które pozwala na sterowanie nie tylko kioskiem internetowym, ale rożnego rodzaju urządzeniami lub ma zastosowanie przy nawigacji w internecie. Udało nam się jednak przede wszystkim opracować rozpoznawanie mowy ciągłej. Możemy powiedzieć wiele sekwencji słów następujących po sobie i są one rozpoznawane prawidłowo przez nasz system rozpoznawania mowy.
MK: - Stawiamy sobie za cel, aby system rozpoznawania mowy ciągłej dopracować do końca 2012 roku. Wiele zależy oczywiście od wcześniej wspomnianych baz danych, jakie obecnie gromadzimy. Już w przyszłym roku powinniśmy mieć gotowy system open dictation, który będzie rozpoznawał ok. milion słów języka polskiego.
TS: - Chcemy, aby to rozwiązanie było szeroko stosowane na całym świecie w wielu językach i przewyższało obecne rozwiązania technologiczne.
Voice Lab założony został w 2009 roku przez Tomasza Szwelnika i Marcina Kuropatwińskiego, dwóch absolwentów
Politechniki Gdańskiej. W 2012 roku do firmy dołączył Jacek Kawalec, znany jako współtwórca Wirtualnej Polski oraz inwestor wielu innowacyjnych przedsięwzięć. Voice Lab otrzymała prestiżowe wyróżnienie w konkursie organizowanym przez Fundację na rzecz Nauki Polskiej Innowator. Firma realizowała również projekt w ramach Programu Operacyjnego Innowacyjna Gospodarka. Podczas tegorocznej edycji gdańskich targów Technicon-Innowacje 2012 Voice Lab zdobył Grand Prix, "Medal Mercurius Gedanensis", za opracowanie dekodera zamiany mowy ciągłej na tekst.
Portal trojmiasto.pl nie ponosi odpowiedzialności za treść opinii. 
Filmy
