
Microsoft je prije nešto manje od godinu dana izišao u javnost s rekordnim rezultatima u području računarskog prepoznavanja govora. Tada su tvrdili da je njihov sustav vještačke inteligencije koji prepoznaje ljudski govor uspio spustiti nivo greške (Word Error Rate, WER) na 5,9%, što je usporedivo s rezultatima koje na istim zadacima postižu ljudi.
Nakon toga rukavicu u ruke Microsoftu bacio je IBM spustivši na svojem sistemu WER na 5,5% i s izjavom da će paritet ljudskoj sposobnosti biti postignut tek kada se ovaj nivo spusti do 5,1%. Bilo je to u Martu ove godine, a Microsoftu nije trebalo predugo da prihvati taj izazov.
Ovog je vikenda na njihovom blogu objavljeno kako je dosegnut rekordno nizak nivo WER-a od 5,1% prilikom prepoznavanja i prepisivanja ljudskih razgovora na platformi Switchboard, koja se već više od 20 godina koristi za provjeru tačnosti prepoznavanja govora. Od prošle godine postignuto je smanjenje novoa grešaka za 12% u Microsoftovim neuronskim mrežama, i to uvođenjem novih modela akustičnog modeliranja i predviđanja.
Postizanjem rezultata identičnog ljudima označava ispunjavanje cilja kojem se težilo 25 godina, kažu iz Microsofta, te poručuju kako će njihovi korisnici zbog ove tehnologije imati bolje iskustvo prilikom korištenja Cortane i raznih drugih usluga. Sljedeći koraci u razvoju prepoznavanja govora fokusirat će se na bolji rad u bučnim okruženjima, razumjevanju drugih jezika, te u na kraju “razumijevanju” govora i njegovog značenja od strane računara.
(bug)


















