भाषण पहचान प्रणाली का इतिहास: हम सिरी में कैसे आए

पीछे देखते हुए, हम देखते हैं कि भाषण मान्यता प्रौद्योगिकी का विकास एक बच्चे में बड़े होने की प्रक्रिया को देखने के समान है - व्यक्तिगत शब्दों को परिभाषित करने से आगे बढ़ रहा है, फिर कभी बड़े शब्दकोश, और अंत में सिरी जैसे सवालों के त्वरित जवाब देता है।

सिरी को उसके थोड़े सुरुचिपूर्ण अंदाज़ के साथ सुनकर, हम इस बात पर आश्चर्य करते हैं कि हम भाषण मान्यता उद्योग में वर्षों से कितने आगे हैं। आइए पिछले दशकों पर एक नज़र डालें, जिसने एक व्यक्ति को केवल आवाज का उपयोग करके उपकरणों को नियंत्रित करने की अनुमति दी।

1950 और 1960: बेबी की बात

पहली भाषण मान्यता प्रणाली केवल संख्याओं को समझ सकती है (भाषा की जटिलता को देखते हुए, यह सही है कि इंजीनियर पहले संख्याओं पर ध्यान केंद्रित करते हैं)। बेल लेबोरेटरीज ने एक ऑड्रे प्रणाली विकसित की है जो एक स्वर में बोली जाने वाली संख्याओं को पहचानती है। 10 वर्षों के बाद, 1962 में, आईबीएम ने अपने दिमाग की उपज - शोबोक्स प्रणाली का प्रदर्शन किया, जो अंग्रेजी में 16 शब्दों को समझता था।

यूएसए, जापान, इंग्लैंड और यूएसएसआर में प्रयोगशालाओं ने कई उपकरण विकसित किए हैं जो व्यक्तिगत उच्चारण ध्वनियों को पहचानते हैं, चार स्वर और नौ व्यंजन के लिए समर्थन के साथ भाषण मान्यता तकनीक का विस्तार करते हैं। वे बहुत अच्छे नहीं लगे, लेकिन इन पहले प्रयासों ने एक प्रभावशाली शुरुआत दी, खासकर यह देखते हुए कि उस समय के आदिम कंप्यूटर कैसे थे।

1970: सिस्टम धीरे-धीरे लोकप्रियता हासिल कर रहा है

भाषण मान्यता प्रणालियों ने सत्तर के दशक में अमेरिकी रक्षा विभाग से रुचि और प्रायोजन के लिए महान प्रगति की। 1971 से 1976 तक, उनके DARPA स्पीच अंडरस्टैंडिंग रिसर्च (SUR) कार्यक्रम भाषण मान्यता के इतिहास में सबसे बड़े में से एक था, और बाकी सब के अलावा, वह कार्नेगी मेलन विश्वविद्यालय के हार्पी सिस्टम के लिए जिम्मेदार था। हार्पी ने 1011 शब्दों को समझा, जो तीन साल पुरानी एक औसत शब्दावली है।

हार्पी एक महत्वपूर्ण मील का पत्थर था, क्योंकि इसने बीम खोज नामक एक अधिक प्रभावी खोज दृष्टिकोण पेश किया, "राज्यों की एक सीमित संख्या के साथ संभावित वाक्यों के नेटवर्क का प्रदर्शन" ( स्पीच रिकॉग्निशन में रीडिंग )।

इस तकनीक में 70 के दशक के कई मील के पत्थर भी चिह्नित किए गए थे, उदाहरण के लिए, पहली वाणिज्यिक कंपनी थ्रेशोल्ड टेक्नोलॉजी की स्थापना, जिसने एक प्रणाली पेश की जो विभिन्न आवाजों की व्याख्या कर सकती थी।

1980 का दशक: भाषण मान्यता भविष्यवाणियों को सही ठहराती है

अगले दशक में, नए दृष्टिकोण और प्रौद्योगिकियों के लिए धन्यवाद, इस तरह की प्रणालियों की शब्दावली कई सौ से कई हजार शब्दों तक बढ़ गई और असीमित संख्या में शब्दों को पहचानने की क्षमता थी। इसका एक कारण नई सांख्यिकीय पद्धति थी, जिसे छिपे हुए मार्कोव मॉडल के रूप में जाना जाता था।

शब्दों और ध्वनि पैटर्न के लिए पैटर्न का उपयोग करते हुए, उसने इस संभावना की जांच की कि अज्ञात ध्वनियाँ शब्द हो सकती हैं। इस आधार का उपयोग अन्य प्रणालियों द्वारा अन्य बीस वर्षों के लिए किया गया है ( स्वचालित भाषण मान्यता प्रौद्योगिकी के संक्षिप्त इतिहास )।

विस्तारित शब्दावली के साथ, भाषण मान्यता व्यवसायों और विशिष्ट उद्योगों जैसे चिकित्सा के लिए वाणिज्यिक अनुप्रयोगों में अपना रास्ता बनाने के लिए शुरू हो गई है। उसने 1987 में वंडर की जूली गुड़िया के संसारों के रूप में आम लोगों के घरों में भी प्रवेश किया, जिसे बच्चे अपनी आवाज पहचानने के लिए प्रशिक्षित कर सकते थे ("अंत में, एक गुड़िया जो आपको समझती है")।



यद्यपि मान्यता सॉफ्टवेयर 5000 शब्दों तक को पहचान सकता है, जैसे कि कुर्ज़वील टेक्स्ट-टू-स्पीच प्रोग्राम, उनमें एक बड़ी खामी थी - इन कार्यक्रमों ने असतत श्रुतलेख का समर्थन किया, अर्थात, प्रोग्राम को संसाधित करने के लिए प्रत्येक शब्द के बाद आपको रोकना पड़ा।

1990 के दशक: स्वचालित भाषण मान्यता जनता के पास जाती है

नब्बे के दशक में, कंप्यूटरों को अंततः तेज प्रोसेसर मिला, और भाषण मान्यता कार्यक्रम व्यवहार्य हो गए।

1990 में, पहले सार्वजनिक रूप से उपलब्ध ड्रैगन डिक्टेट कार्यक्रम $ 9,000 की चौंका देने वाली कीमत के साथ दिखाई दिया। सात साल बाद, एक बेहतर संस्करण जारी किया गया - ड्रैगन नेचुरलीस्पीकिंग । एप्लिकेशन ने सामान्य भाषण को मान्यता दी, इसलिए आप प्रति मिनट लगभग 100 शब्दों की सामान्य गति से बोल सकते हैं। लेकिन फिर भी, आपको उपयोग करने से पहले 45 मिनट के लिए कार्यक्रम को प्रशिक्षित करना था, और इसकी कीमत अभी भी $ 695 थी।

बेलसाउथ का पहला वैल वॉयस पोर्टल 1996 में सामने आया। यह पहला इंटरेक्टिव स्पीच रिकॉग्निशन सिस्टम था जो आपके द्वारा फोन पर कही गई बातों के आधार पर जानकारी प्रदान करता था। वैल ने अगले 15 वर्षों में कॉल करने वाले सभी गलत आवाज मेनू के लिए मार्ग प्रशस्त किया।

2000 के दशक: भाषण मान्यता में ठहराव - जब तक Google प्रकट नहीं होता

2001 तक, भाषण मान्यता 80 प्रतिशत सटीकता तक बढ़ गई थी, और प्रौद्योगिकी प्रगति बंद हो गई थी। सिस्टम ने पूरी तरह से काम किया जब भाषा ब्रह्मांड सीमित था, लेकिन उन्होंने अभी भी "अनुमान लगाया" समान शब्दों के बीच सांख्यिकीय मॉडल का उपयोग करते हुए, भाषा ब्रह्मांड इंटरनेट की वृद्धि के साथ विकसित हुआ।

क्या आप जानते हैं कि वॉयस रिकग्निशन और वॉयस कमांड विंडोज विस्टा और मैक ओएस में बनाए गए थे? अधिकांश उपयोगकर्ताओं को यह एहसास भी नहीं था कि ऐसी कार्यक्षमता मौजूद है। विंडोज भाषण पहचान और ओएस एक्स वॉयस कमांड दिलचस्प थे, लेकिन कीबोर्ड और माउस की तरह सटीक और सुविधाजनक नहीं थे।

भाषण मान्यता प्रौद्योगिकी को एक महत्वपूर्ण घटना के बाद दूसरी हवा मिली: iPhone के लिए Google वॉइस सर्च एप्लिकेशन का आगमन। इस एप्लिकेशन का प्रभाव दो कारणों से महत्वपूर्ण था। सबसे पहले, टेलीफोन और अन्य मोबाइल डिवाइस भाषण पहचान के लिए आदर्श वस्तु हैं, और वैकल्पिक इनपुट विधियों के साथ छोटे ऑन-स्क्रीन कीबोर्ड को बदलने की इच्छा बहुत शानदार थी। दूसरे, Google के पास अपने क्लाउड डेटा केंद्रों का उपयोग करके इस प्रक्रिया को बंद करने का अवसर था, जो बड़े पैमाने पर डेटा विश्लेषण के लिए अपनी सारी शक्ति को निर्देशित करता था ताकि उपयोगकर्ताओं के शब्दों और उनके द्वारा प्राप्त किए गए वॉइस अनुरोध नमूनों की बड़ी संख्या का पता लगाया जा सके।

संक्षेप में, भाषण मान्यता की अड़चन हमेशा डेटा की उपलब्धता और कुशल प्रसंस्करण की संभावना रही है। एप्लिकेशन ने आपके द्वारा कही गई भविष्यवाणी करने के लिए विश्लेषण के लिए अरबों खोज प्रश्नों से डेटा जोड़ा।

2010 में, Google ने एंड्रॉइड फोन के लिए वॉयस सर्च में व्यक्तिगत पहचान जोड़ी। सॉफ्टवेयर अधिक सटीक वॉयस मॉडल बनाने के लिए उपयोगकर्ता के आवाज अनुरोधों को रिकॉर्ड कर सकता है। कंपनी ने 2011 के मध्य में अपने क्रोम ब्राउज़र में आवाज पहचान को भी जोड़ा। याद रखें कि हमने 10 शब्दों के साथ कैसे शुरुआत की और कुछ हज़ार में आगे बढ़े? इसलिए Google अब 230 बिलियन शब्दों को पहचानता है।

फिर सिरी आई। गॉगल वॉयस सर्च की तरह, यह क्लाउड कंप्यूटिंग पर निर्भर करता है। वह उस डेटा का उपयोग करती है जिसे वह संदर्भ से उत्पन्न प्रतिक्रिया उत्पन्न करने के लिए आपके बारे में जानती है और एक निश्चित व्यक्ति की तरह आपके अनुरोध का जवाब देती है। भाषण मान्यता एक साधन से मनोरंजन में विकसित हुई है।

भविष्य: सटीक और सर्वव्यापी

वाक् पहचान अनुप्रयोगों में उछाल यह दर्शाता है कि वाक् पहचान का समय आ गया है, और हम भविष्य में इनकी भारी संख्या की उम्मीद कर सकते हैं। ये एप्लिकेशन न केवल आपको अपने कंप्यूटर को आवाज के साथ नियंत्रित करने या आवाज को पाठ में बदलने की अनुमति देगा - वे विभिन्न भाषाओं के बीच अंतर करने में भी सक्षम होंगे, आपको विभिन्न विकल्पों में से सहायक की आवाज चुनने की अनुमति देगा।

यह संभावना है कि भाषण मान्यता प्रौद्योगिकी अन्य प्रकार के उपकरणों पर स्विच हो जाएगी। यह कल्पना करना आसान है कि भविष्य में हम कॉफी निर्माताओं को कैसे संचालित करेंगे, प्रिंटर से बात करेंगे और प्रकाश व्यवस्था से बात करेंगे ताकि यह बंद हो जाए।