Google trenira AI da prepoznaje glasove u gomili (video)

Vizija kompanije Google na polju procesiranja se poboljšavala tokom godina, što potkrepljuje činjenica da kompanijina Photos aplikacija prepoznaje lica, objekte i još mnogo toga. Sada Google želi isto da uradi i sa glasom. Preciznije, sa audio-vizuelnim razdvajanjem govora.Recimo da se nalazite u gomili ljudi i pozove vas poznata osoba. Iako možda ne znate gde se vaš prijatelj-ica nalazi u gomili, njegov/njen glas ima određeni obrazac koji možete odmah prepoznati, bez obzira na bučne ljude oko vas. Mašina možda neće moći da to čini efikasno, bar u trenutnim popularnim servisima.Međutim, Google istraživači su razvili sistem dubokog učenja koji može razdvojiti glasove gledajući lica osoba kada one govore i potom se može fokusirati na te glasove. Tim je uspeo ovo da postigne obučavanjem neural networka da prvo razume i prepoznaje pojedinačne glasove ljudi kada su oni pričali sami. Zatim je simulirao virtuelne strane i ubacio indiviudualne glasove u ovo, kako bi istrenirao AI da nauči da izoluje više glasova u odvojene segmente.

Prema navodima Google-a, tehnika podrazumeva kombinovanje audio i vizuelnih signala za video ulaz, kako bi se govor razdvojio. Kombinacija vizuelnog elementa, zajedno sa zvukom, za razliku od pukog razdvajanja zvuka, pomaže u odvajanju i pročišćavanju govora povezanog sa određenim vidljivim govornikom u videu.Ovo može biti korisno tokom komunikacije preko video chata. Google trenutno istražuje mogućnosti testiranja ove funkcije u svojim proizvodima kao što su Hangouts i Duo.

Google takođe veruje da ova tehnologija može pomoći kod automatskih zatvorenih sistema za snimanja gde se više govornika međusobno preklapa. Može se koristiti i kao pred-proces za prepoznavanje govora. Alatka se takođe može i zloupotrebiti i koristiti u javnom prisluškivanju. Izvor: Firstpost