Trebek grabazio konplexuak informazio erabilgarri bihurtzen ditu adimen artifizialaren bidez
Zer gertatzen da grabazio batek inguruko zarata duenean, kalitate eskasa duenean edo pertsona batek baino gehiagok aldi berean hitz egiten dutenean? Azken urteotan adimen artifizialeko sistemak asko hobetu badira ere, egoera horiek zailtasun handiak eragiten dizkiete ahotsa antzemateko teknologiei.
Horrelako audioen prozesamendua hobetzeko asmoz, Trebek Europa Digital programak finantzatutako EMPOWER proiektu europarrean parte hartu du. Esparru horretan, Europako hainbat herrialdetako enpresa teknologikoak eta segurtasun-taldeak elkartu dira, adimen artifizialeko tresna bat garatzeko, behar operatibo errealei erantzuteko gai izango dena.
Trebek EMPOWERen barruan landu duen erronka nagusietako bat izan da zarata handiko audioak edo grabazio-kalitate eskasa tratatzea. Transkripzio automatikoko tresnek gero eta emaitza hobeak eskaintzen dituzten arren, horien errendimenduak sarrera-seinalearen kalitatearen araberakoa izaten jarraitzen du neurri handi batean. Interferentziak, inguruneko zarata edo baldintza txarretan egindako grabazioak agertzen direnean, sistemen zehaztasuna nabarmen murritz daiteke. “Mundu guztiak transkribatzen du ondo audioa ona denean. Zarata handia dagoenean edo grabazioaren kalitatea oso txarra denean azaltzen da arazoa”, azaldu du Xabier Garcia de Kortazar Trebeko CEOak.
Behar horri erantzuteko, konpainiak prozesatu aurretik audioaren kalitatea hobetzeko gai diren teknologietan lan egin du. Helburua ahotsa ezagutzeko sistemetarako grabazio erabilgarriagoak lortzea zen, prozesuan zehar informazio garrantzitsua galdu gabe. Erronka handia zen. Batzuetan, pertsona baten entzumena hobetzeko teknikek transkripzio-algoritmoentzat garrantzitsuak diren ñabardurak ken ditzakete.
“Audioak soinu hobea izan dezake, baina horrek ez du esan nahi transkripzio sistemak hobeto jardungo duenik. Batzuetan guztiz kontrakoa gertatzen da”, dio Garcia de Kortazarrek.
Aldi berean hitz egiten duten ahotsak bereiztea
Proiektuan garatutako beste garapen bat hiztunak bereiztean oinarritu zen, hainbat pertsonak aldi berean elkarrizketa batean parte hartzen dutenean. Ahotsa ezagutzeko teknologien egoera konplexuenetako bat da. Solaskideek txandaka hitz egiten dutenean sistemek egoki jarduten duten bitartean, gainjarritako ahotsek zaildu egiten dute zer esaten ari den identifikatzea.
Arazo horri aurre egiteko, ahots bakoitza pista independenteetan isolatzeko gai diren soluzioak garatu ditu Trebek, eta, hala, gero errazago aztertu eta transkribatu. “Elkarrizketak kanal ezberdinetan banatzea eskatzen ziguten, ahots bakoitzarekin banan-banan lan egin ahal izateko”, azaldu du CEOak.
Transkripziotik harago
EMPOWERen parte hartzeari esker, enpresak bere ahots-teknologietarako aplikazio berriak aztertu ahal izan ditu. García de Kortazarrek azaldu duenez, sektore askok antzeko beharrak partekatzen dituzte informazio sentikorrarekin lan egiten dutenean eta beren azpiegitura propioen barruan gauzatzeko gai diren tresnak behar dituztenean.
Osasuna, gizarte-zerbitzuak, administrazio publikoa edo lege-sektorea bezalako esparruek gero eta soluzio gehiago eskatzen dituzte, hizkuntza prozesatzeko gaitasun aurreratuak eta datuen gaineko pribatutasun eta kontrol bermeak konbinatzen dituztenak.
Testuinguru horretan, CEOak uste du balio bereizgarria ez dela soilik informazioa transkribatu edo itzultzeko gaitasuna, baizik eta behar zehatzetara egokitutako funtzionalitate gehigarriak eskaintzea. “Gaur egun transkripzioa edozeinentzat eskuragarri dagoen teknologia bihurtu da. Erabilera kasu bakoitzera egokitzean dago gakoa, eta beste gaitasun batzuk gehitzean, hala nola zarata kentzea edo hiztunak bereiztea”, azaldu du.
Proiektuan zehar metatutako esperientziak indartu egiten du Trebek teknologia espezializatuen garapenaren alde egindako apustua, audioaren kalitatea, pribatutasuna eta zehaztasuna faktore erabakigarriak izaten jarraitzen duten inguruneetarako.
SPRI Taldeak aukera ematen die euskal enpresei haien jardueraren berri emateko bere informazio-kanaletan. Zure proiektua gure gaiekin lotuta badago (I+G+b, digitalizazioa, internazionalizazioa, ekintzailetza, berrikuntza…), Zutaz mintzo gara ekimenean parte har dezakezu. Gainera, laguntza- eta zerbitzu-programetara sar zaitezke.
