Как взрослели голосовые технологии

Как взрослели голосовые технологии

Вчера я написал про новый способ защиты от клонирования голоса, но давайте разберёмся, как мы вообще пришли к такому уровню голосовых технологий.

Помните, как ещё лет 10 назад вы с трудом скрывали раздражение, общаясь с первыми голосовыми ассистентами? Сегодня же эти технологии перешли из категории неуклюжих экспериментов в разряд незаменимых инструментов. Как мы оказались здесь?

Популярная история непопулярной технологии

Голосовым технологиям на самом деле около ста лет. В далёком 1939 году инженеры Лабораторий Белла представили Voder (Voice Operating Demonstrator) — первый в мире электронный синтезатор речи. Оператору требовался год тренировок, чтобы заставить машину более-менее внятно произнести пару предложений. Публика восприняла эту диковинку тепло, но никакой реальной пользы тогда никто не видел.

Прорыв случился в 1957, снова в Bell Labs. Там появилась первая система автоматического распознавания речи, способная понять всего лишь цифры — но это уже было невероятно круто. Следующие десятилетия стараниями IBM, NEC и всё той же Bell Labs технологии постепенно эволюционировали от распознавания отдельных слов к целым фразам.

В 1970-е в дело включилось DARPA — оборонное агентство США финансировало разработки голосовых интерфейсов, заложив фундамент современных подходов: скрытые марковские модели (Hidden Markov Models, HMM) и первые попытки применения нейросетей в 80-х.

Затем были 90-е — эра Dragon Dictate, первого коммерческого решения, позволявшего диктовать текст компьютеру. Появились и уникальные голоса — в AT&T, например, Анн Сирдал создала первый убедительный виртуальный женский голос, ставший прообразом многих современных ассистентов.

И наконец, то самое событие, после которого голосовая эпоха стала реальностью. В 2011 году Apple представила Siri — первую массовую голосовую технологию. Google, Amazon, Microsoft тут же вступили в борьбу, запустив Google Assistant, Alexa и Cortana — войс-технологии окончательно вышли в народ.

Как голосовые технологии стали умными

Современные голосовые системы стали мощными и функциональными благодаря синтезу трёх факторов:

1. Глубокое обучение и нейросети Именно нейросети превратили понимание естественной речи из глючной белиберды в коммерчески успешный продукт.

Пример: стартап Deepgram со своей моделью транскрипции для медицины — скорость распознавания в 40 раз превышает конкурентов.

А GPT-4o не просто распознаёт речь, но и выделяет смыслы, интонации и намерения говорящего — уровень, который ещё недавно казался фантастикой.

2. Удобство и повсеместность умных устройств Голосовой ввод проник во все области жизни: управление автомобилями, лампочками, кофеварками, кондиционерами, телевизорами — всем, что обладает хоть какой-то электроникой.

3. Интеграция с индустриями и бизнесом Бренды максимально заинтересованы в упрощении и автоматизации взаимодействий с клиентами. Голосовые ассистенты отвечают на вопросы, принимают заказы, бронируют столики и билеты, дают консультации.

Что ждёт нас дальше?

Ближайшие 3-5 лет голосовые технологии станут практически не отличимы от взаимодействия с живым человеком — не только по качеству звука, но и по глубине разговора (исследование Opus Research).

(Вот свежайшая моделька Dia — и реалистичные демо, послушайте, там есть смешное).

Глубокий нейросетевой синтез и ещё более точное распознавание речи обещают стереть границы акцентов и языковых барьеров, позволив человеку свободно общаться на родном языке в любой точке мира. (Вспомним кейс Krisp AI, который убирает акцент говорящего в реальном времени.)

Реальное же будущее голосовых интерфейсов не в способности сказать «Алиса, включи музыку».

Оно в нашей готовности воспринимать синтетические голоса как равноправных коммуникаторов.

/ Не запрещена в РФ