Mitsubishi Electric Corporation объявила о создании первой в мире технологии, которая отделяет, а затем реконструирует с высоким качеством одновременное выступление нескольких людей, записанных с помощью одного микрофона в режиме реального времени.
В тестах одновременные выступления двух и трех человек, были разделены с точностью до 90 и 80 процентов соответственно, компания считает это большим достижением. Новая технология, которая может быть реализована при помощи запатентованного Mitsubishi Electric метода Deep Clustering на основе искусственного интеллекта, как ожидается, будет способствовать более качественной голосовой связи и более точному автоматическому распознаванию речи.
В случае с двумя одновременными спикерами, точность превысила 90%, что более чем достаточно для качественной работы этой технологии, особенно по сравнению с точностью 51%, которая была достигнута ранее с использованием имевшейся ранее технологии.
Новая технология способна различать даже сочетания нескольких наиболее распространенных языков, а также голоса мужчин, женщин и детей.
Приведенные выше результаты достигнуты в идеальных условиях записи, в том числе при низком уровне окружающего шума и примерно одинаковой громкости голосов спикеров.
Технология Deep Clustering применяет собственный метод кодирования Mitsubishi Electric, благодаря чему компоненты сигнала, относящиеся к каждому отдельному человеку, можно легко отличить по их кодировке.
По словам авторов проекта Энтони Ветро и Йохеи Окато, в большинстве систем задача разделения голосов решается при помощи установки двух или большего количества микрофонов, но в случае использования всего одного микрофона, с задачей разделения голоса может справиться только искусственный интеллект.
Применять эту технологию можно там, где требуется высокая точность распознавания голосовых сообщений, например, в системах голосового управления автомобилями, лифтами, бытовыми и другими электронными устройствами.
Комментарии