Valkājama AI ierīce pārvērš klusumu saprotamā balsī

Iedomājieties mēģināt runāt bez skaņas un tomēr tikt saprastam. Tas vairs nav zinātniskā fantastika.

Pohangas Zinātnes un Tehnoloģiju universitātes, plašāk pazīstamas kā POSTECH, pētnieki izstrādājuši valkājamu sistēmu, kas spēj pārvērst kluso runu dzirdamā balsī, izsekojot sīkas muskuļu un ādas kustības ap kaklu. Darbu vadīja profesors Sung-Min Park un Dr. Sunguk Hong, tas publicēts žurnālā Cyborg and Bionic Systems un atklāj jaunu nodaļu cilvēka un mašīnas saziņā.

Kā čuksts kļūst par balsi

Ideja šķiet vilinoši vienkārša. Pat tad, ja cilvēks nerunā skaļi, ķermenis joprojām kustas. Smalkas kakla, zoda un apkārtējās ādas nobīdes atklāj paredzamo vārdu formu. Šīs kustības rada fizisku signālu, ko var uztvert un interpretēt.

Lai to panāktu, POSTECH komanda izveidoja valkājamu ierīci, ko sauc par multiaksiālu stiepuma kartēšanas sensoru. Tajā tiek izmantota miniatūra kamera un elastīgs silikons ar atsauces punktiem, lai noteiktu pat nelielas virsmas deformācijas. Praktiski tas nozīmē, ka sensors var ērti atrasties uz kakla, precīzi izsekot kustībām un pārrēķināt pozīciju, ja tas pārvietojas.

Kad dati ir savākti, iejaucas mākslīgais intelekts. Sistēma nolasa stiepuma modeļus, nosaka runas nodomu un rekonstruē vārdus vai pilnas teikumu virknes. Pēc tam tā savieno šo rezultātu ar balss sintezētāju, apmācītu uz lietotāja vokālajām īpašībām, radot runu, kas skan dabiski un cilvēciski atpazīstami.

Īstais atklājums nav tikai tas, ka sistēma var «uzklausīt» klusumu, bet arī tas, ka tā var saglabāt runātāja paša balsi.

Vieglāks risinājums neatlaidīgai problēmai

Balss atjaunošanas tehnoloģijas ilgi ir balstījušās uz tādām metodēm kā elektromiogrāfija un elektroencefalogrāfija. Šīs sistēmas var būt efektīvas, bet bieži vien nāk ar acīmredzamiem kompromisiem: apjomīgu aparatūru, neērtu uzstādīšanu un ierobežotu ērtumu ikdienas lietošanai.

Tieši šeit POSTECH pieeja izceļas. Tā ir valkājama, viegla un radīta praktiskai lietošanai, ne tikai laboratorijas demonstrācijām. Testēšanas laikā sistēma parādīja augstu runas rekonstrukcijas precizitāti, pat trokšņainā vidē, kur parastie mikrofoni mēdz kļūt neefektīvi. Īpaši rūpnieciskās vides ir sarežģīts pārbaudes lauks, un šī tehnoloģija šķiet piemērota tieši šādiem izaicinājumiem.

Iespējamie lietošanas scenāriji ir acīmredzami. Pacientiem, kuri zaudējuši balsi sakarā ar balsenes bojājumiem vai laringektomiju, tas var piedāvāt iespēju atkal komunicēt, izmantojot balsi, kas ir tuva viņu dabiskajam tembram. Tas nav nieks. Daudziem cilvēkiem tas var mainīt dzīvi.

Taču ietekme var sniegties daudz tālāk par veselības aprūpi.

Klusā saziņa var kļūt noderīga sapulcēs, bibliotēkās, pārpildītās transporta mezglos vai trokšņainās darba vietās, kur runāt skaļi ir neērti vai neiespējami. Tā var arī mainīt veidu, kā cilvēki mijiedarbojas ar mākslīgā intelekta sistēmām, padarot komandas un atbildes mazāk mehāniskas un intuitīvākas. Nevajag tastatūru. Nevajag mikrofonu. Tikai nodoms pārtulkots runā.

Patlaban pētnieku komanda koncentrējas uz precizitātes uzlabošanu, valodu atbalsta paplašināšanu un sistēmas vēl lielāku pielāgojamību reālai izvietošanai. Ja šie elementi nostiprinās, šāda valkājama mākslīgā intelekta ierīce var pārvērsties no solīdā prototipa par ikdienas rīku ātrāk, nekā daudzi gaida.

Plašāku tendenci ir grūti palaist garām. Mākslīgais intelekts kļūst mazāk redzams, personiskāks un ievērojami vairāk integrēts ierīcēs, ko nēsājam. Ar šādām inovācijām arī nerunātas vārdi drīz var iegūt balsi.