Kod KâşifiMERAK ET. DENE. KEŞFET.Bir şey öğren

Yayıncı: Kod Kâşifi · Düzeltme bildir

Konuşma tanıma teknolojisi: ses nasıl metne dönüşür?

Sesli not alma, sesle arama ve altyazı oluşturma işlerinin arkasında konuşma tanıma teknolojisi vardır. Ses dalgaları nasıl kelimelere dönüşür?

Ses dalgası küçük parçalara ayrılıp boş kelime taşlarına dönüşüyor.
Konuşma tanıma, ses örüntülerini kelimelere çevirmeye çalışır. Kod Kâşifi için üretilen yapay zekâ illüstrasyonu.

Bir cümle ekrana nasıl ulaşır?

Ekrana bakmadan bir cümle söyleyip onun yazıya dönüştüğünü görmek oldukça etkileyicidir. Sen havayı titreştiren sesler çıkarırsın; bilgisayar ise bu seslerin sayısal temsilini işler. Mikrofon, ses dalgalarını elektrik sinyaline dönüştürür. Bu sinyalin sayısallaştırılmasıyla yazılımın inceleyebileceği veriler oluşur. Konuşma tanıma sistemi, bu veriden hangi kelimelerin söylenmiş olabileceğini çıkarmaya çalışır. Ekranda beliren yazı, bu işlem zincirinin son ürünüdür.

Geleneksel sistemlerde sesin küçük bölümlerini yorumlayan akustik model, sesleri kelimelerle ilişkilendiren telaffuz bilgisi ve olası kelime dizilerini değerlendiren dil modeli gibi parçalar bulunur. Bazı sinir ağı yaklaşımları bu görevleri tek bir modelde birleştirir. Yöntem değişse de temel problem aynıdır: Sürekli akan bir sesin içinde kelimelerin nerede başlayıp bittiğini ve ne söylendiğini kestirmek.

Örnekler, modelin işitme deneyimidir

Bir modelin eğitilmesinde konuşma kayıtları ve bunlarla ilişkili metinlerden yararlanılabilir. Model, örneklerdeki ses özellikleri ile yazılı karşılıklar arasındaki ilişkileri öğrenir. Bu, her yeni cümleyi önceden ezberlediği anlamına gelmez; gördüğü örüntülerden hareketle yeni girdiler için tahmin üretir. Kullanılan verilerin çeşitliliği önemlidir. Bir konuşma biçiminin eğitim örneklerinde az bulunması, o biçimdeki konuşmaların daha zor tanınmasına yol açabilir.

İnsanlar aynı kelimeyi farklı hızlarda ve farklı aksanlarla söyleyebilir. Bunlar yanlış konuşmak değildir. Teknolojinin farklı konuşmacıları yeterince iyi desteklemesi, araştırmacıların ve geliştiricilerin çözmesi gereken bir meseledir. Bir sistem senin cümleni yanlış yazdığında bunu kendi sesinin kusuru olarak görme. Gürültü, mikrofonun konumu, eğitim verileri ve modelin tasarımı gibi birçok etken sonucu birlikte değiştirebilir.

Ses ile anlam aynı görev değildir

Konuşmayı yazıya çevirmek, konuşmanın anlamını bütünüyle anlamakla aynı şey değildir. Bir sistem söylediğin kelimeleri doğru yazabilir ama neyi kastettiğini ayrıca yorumlaması gerekir. Örneğin gül sözcüğü hem bir çiçeği hem gülmek fiilinin bir biçimini anlatabilir. İki kullanım da aynı harflerle yazılır; burada yalnızca sesin doğru tanınması, anlam sorununu kendiliğinden çözmez. Cümlenin bütünü önem taşır.

Tahmin sırasında kelimelerin birlikte kullanılma olasılığı işe yarayabilir, ama bu ipucu yanıltabilir de. Alışılmadık bir kişi adı, yaygın bir kelimeyle değiştirilebilir. Böyle bir hata bazen sessiz bir ortamda da oluşur. Bu yüzden sesle yazılan önemli bir mesajı göndermeden önce okumak iyi bir alışkanlıktır. Özellikle isimlere, sayılara ve olumsuzluklara bak; küçük bir değişiklik, cümlenin niyetini bambaşka yapabilir.

Merakı küçük ve güvenli bir incelemeye dönüştür

Bu teknolojiyi araştırmak için çevrendeki insanların seslerini izinsiz kaydetmen gerekmez. Önce kâğıt üzerinde bir düşünce deneyi yap: Tamamen hayalî bir cümlenin yanlış yazıldığını varsay ve olası nedenlerini sıralamaya çalış. Arka plandaki müzik mi, birbirine benzeyen sesler mi, tanınmayan bir isim mi? Birden fazla olasılık üretmek, her hatayı tek bir sebebe bağlamamayı öğretir.

Bir yetişkinle birlikte zaten kullandığınız sesle yazma özelliğini incelersen, kişisel bilgi içermeyen kısa bir cümle seçebilirsiniz. Sesin cihazda mı işlendiğini, bir hizmete mi gönderildiğini ve kayıt ayarlarını kontrol etmek de araştırmanın parçasıdır. Bazı sistemler cihaz üzerinde çalışabilir; hepsinin aynı yolu kullandığını varsaymamak gerekir. Konuşma tanımanın güzelliği, insan sesini bilgisayarlarla iletişim kurmanın bir yoluna dönüştürmesidir; dikkatli kontrol de bu yolu daha kullanışlı yapar.

Kaynaklar ve ileri okuma

KEŞFE DEVAM

Bir sonraki merakın ne?

Aynı nesnenin farklı açı ve ışıklardan örnekleri bir duvarda sıralanıyor.
3 dk okumaYeni keşif

Fei-Fei Li: bilgisayar görmeyi örnekle öğrendi

Bir makineye “kedi” demeyi öğretmek için önce birçok kedi örneği gerekir. Fei-Fei Li, bu örnekleri büyük ve düzenli bir veri kümesinde toplayan çalışmanın öncülerindendir.

Yazıyı oku
Bir öğrenci, ışıklı cevap kartını iki kaynak kitap ve büyüteçle karşılaştırıyor.
5 dk okuma

Yapay zekâ cevabını nasıl kontrol edersin?

Bir yapay zekâ aracı hızlı ve düzgün görünen cevaplar verebilir. Yine de cevabı kullanmadan önce birkaç küçük kontrol yapmak iyi bir alışkanlıktır.

Yazıyı oku
Bir öğrenci, ses dalgası, kitap önerisi ve şekil örüntülerini inceleyen yapay zekâ atölyesini keşfediyor.
3 dk okuma

Yapay zekâ nedir, ne değildir?

Telefonun sesli komutunu anlıyor, video sitesi sana tam seveceğin videolar öneriyor. Peki bunu nasıl yapıyor? Cevap: yapay zekâ.

Yazıyı oku