211service.com
Hacia dónde se dirige el reconocimiento de voz
Hasta hace poco, la idea de mantener una conversación con una computadora parecía pura ciencia ficción. Si le pedía a una computadora que abriera las puertas de la bahía de la cápsula, bueno, eso era solo en las películas.
Pero las cosas están cambiando y rápidamente. Un número creciente de personas ahora habla con sus teléfonos móviles inteligentes, pidiéndoles que envíen correos electrónicos y mensajes de texto, busquen direcciones o encuentren información en la Web.
Estamos en un punto de transición en el que la comprensión de la voz y el lenguaje natural están repentinamente a la vanguardia, dice Vlad Sejnoha, director de tecnología de Nuance Communications, una empresa con sede en Burlington, Massachusetts, que domina el mercado del reconocimiento de voz con su software Dragon. y otros productos. Creo que el reconocimiento de voz realmente va a cambiar la interfaz actual [de la computadora].
El progreso se ha producido gracias en parte al progreso constante en las tecnologías necesarias para ayudar a las máquinas a comprender el habla humana, incluido el aprendizaje automático y las técnicas de extracción de datos estadísticos. La tecnología de voz sofisticada ya es común en los centros de llamadas, donde permite a los usuarios navegar a través de los menús y ayuda a identificar a los clientes furiosos que deben ser entregados a un representante de servicio al cliente real.
Ahora, el rápido aumento de los dispositivos móviles potentes está haciendo que las interfaces de voz sean aún más útiles y omnipresentes.
Jim Glass, un científico investigador senior del MIT que ha estado trabajando en interfaces de voz desde la década de 1980, dice que los teléfonos inteligentes de hoy tienen tanta potencia de procesamiento como las máquinas de laboratorio con las que trabajó en la década de 1990. Los teléfonos inteligentes también tienen conexiones de datos de alto ancho de banda a la nube, donde los servidores pueden hacer el trabajo pesado involucrado tanto con el reconocimiento de voz como con la comprensión de las consultas habladas. La combinación de más datos y más potencia informática significa que hoy puede hacer cosas que antes no podía hacer, dice Glass. Puede utilizar modelos estadísticos más sofisticados.
El ejemplo más destacado de una interfaz de voz móvil es, por supuesto, Siri, el asistente personal activado por voz que viene integrado en el último iPhone. Pero la funcionalidad de voz está integrada en Android, la plataforma Windows Phone y la mayoría de los otros sistemas móviles, así como muchas aplicaciones. Si bien estas interfaces todavía tienen limitaciones considerables (consulte Inteligencia social), nos estamos acercando poco a poco a las interfaces de las máquinas con las que realmente podemos hablar.
Nuance está en el corazón del boom de la tecnología de voz. La empresa se fundó en 1992 como Visioneer y ha adquirido decenas de otras empresas de tecnología de voz. Ahora cuenta con más de 6.000 empleados en 35 ubicaciones en todo el mundo, y sus ingresos en el segundo trimestre de 2012 fueron de 390,3 millones de dólares, un aumento del 22,4 por ciento con respecto al mismo período de 2011.
En los últimos años, Nuance ha aplicado hábilmente su experiencia en reconocimiento de voz al mercado emergente de interfaces de voz. La empresa suministra tecnología de reconocimiento de voz a muchas otras empresas y se cree que proporciona el componente de voz de Siri.
El habla es ideal para la informática móvil, dice el director de tecnología de Nuance, en parte porque los usuarios tienen las manos y los ojos ocupados de otra manera, pero también porque un solo comando hablado puede realizar tareas que normalmente requerirían una gran cantidad de deslizamientos y presiones. De repente tienes este nuevo bloque de construcción, esta nueva dimensión que puedes aportar al problema, dice Sejnoha. Y creo que vamos a diseñar la IU básica del dispositivo moderno con eso en mente.
Inspirado por el éxito del software de reconocimiento de voz en los teléfonos móviles, Nuance espera colocar sus interfaces de voz en muchos más lugares, sobre todo en la televisión y el automóvil. Ambos son populares y están listos para la innovación.
Para encontrar un programa en la televisión o programar una grabación de DVR, los espectadores actualmente tienen que navegar por menús incómodos utilizando un control remoto que nunca fue diseñado para ingresar consultas de texto. Los productos que se suponía que debían facilitar la búsqueda de un programa, como Google TV, resultaron demasiado complejos para las personas que solo quieren relajarse para disfrutar de una noche de entretenimiento.
En los laboratorios de investigación de Nuance, Sejnoha hizo una demostración de un software llamado Dragon TV que se ejecuta en un televisor en una sala de estar simulada. Cuando un colega dijo, Dragon TV, encuentre películas protagonizadas por Meryl Streep, la interfaz escaneó instantáneamente las listas de canales para seleccionar varias películas apropiadas. Una versión de esta tecnología ya está en algunos televisores vendidos por Samsung.
Se rumorea que Apple está desarrollando su propia televisión y se especula que Siri será su controlador. La idea ha sido impulsada por la biografía de Steve Jobs de Walter Isaacson, en la que se dice que el difunto CEO afirmó que finalmente había resuelto la interfaz de TV.
Mientras tanto, el sistema de entretenimiento Sync en los automóviles Ford ya utiliza la tecnología de Nuance para permitir que los conductores obtengan direcciones, información meteorológica y canciones. Aproximadamente cuatro millones de automóviles Ford en la carretera tienen Sync con reconocimiento de voz. La semana pasada, Nuance presentó un software llamado Dragon Drive que permitirá a otros fabricantes de automóviles agregar funciones de control de voz a los vehículos.
Ambos nuevos contextos son desafiantes. Una de las razones por las que las interfaces de voz se han vuelto populares en los teléfonos inteligentes es que los usuarios hablan directamente al micrófono del dispositivo. Para asegurarse de que el sistema funcione bien en televisores y automóviles, donde hay más ruido de fondo, la compañía está experimentando con micrófonos de matriz y tecnología de cancelación de ruido.
Nuance pone a disposición de cualquier persona que desee incluir tecnología de reconocimiento de voz en una aplicación, una serie de kits de desarrollo de software. Montrue Technologies, una empresa con sede en Ashland, Oregón, utilizó el SDK médico móvil de Nuance para desarrollar una aplicación para iPad que permite a los médicos dictar notas.
Es asombrosamente preciso, dice Brian Phelps, director ejecutivo y cofundador de Montrue y médico de urgencias. El habla ha doblado una esquina; ha llegado a un punto en el que obtenemos una precisión increíble desde el primer momento.
A su vez, los kits refuerzan la posición de Nuance, ayudando a la empresa a mejorar sus algoritmos de procesamiento de lenguaje y reconocimiento de voz al enviar cada vez más datos de voz a través de sus servidores. Como dice Glass del MIT, hace mucho tiempo que se dice en la comunidad de reconocimiento de voz: 'No hay datos como más datos'. Nuance dice que almacena los datos en un formato anónimo para proteger la privacidad.
Sejnoha cree que dentro de unos años, las interfaces de voz móviles serán mucho más omnipresentes y poderosas. Debería poder hablar con él sin tocarlo, dice. Estará constantemente a la escucha de las palabras desencadenantes, y simplemente lo hará: abrirá un calendario, preparará un mensaje de texto o un navegador que haya navegado hasta el lugar al que desea ir.
Quizás las personas incluso hablen con las computadoras que usan, como los anteojos para tomar fotografías que se están desarrollando en Google. Fuentes de Nuance dicen que están planificando activamente cómo la tecnología de voz tendría que diseñarse para ejecutarse en computadoras portátiles.