Warum 2017 zum Jahr der Sprachinterfaces wurde

In den letzten Jahren haben Durchbrüche in der automatischen Spracherkennung (ASR) Sprache von einer Spielerei zur primären Schnittstelle für unzählige Geräte gemacht. IEEE Spectrum kürte 2017 zum „Jahr der Spracherkennung“, und ZDNet berichtete von der CES, dass Sprache die nächste große Computer-Schnittstelle sei. Hier ist ein Überblick über das heutige Sprach-Ökosystem und die Technologien, die es antreiben.

Wie viele Ihrer Geräte sprechen mit Ihnen?

Sprachaktivierung ist mittlerweile allgegenwärtig. Jedes Flaggschiff-Smartphone – iPhone 7, Galaxy S7 – kommt mit immer aktiven Sprachassistenten, ebenso Smartwatches, Wearables und Hearables wie Apple AirPods und Samsung Gear IconX. Viele Geräte verfügen über keine traditionelle UI, was Sprache zur einzigen praktikablen Interaktionsmöglichkeit macht. Neue Kameras (z. B. GoPro Hero 5) akzeptieren Sprachbefehle für freihändige Selfies, und Auto-Infotainmentsysteme haben sprachgesteuertes Audio zum Standard für sichereres Fahren gemacht.

Der Amazon Echo löste den Boom conversationaler Assistenten aus. Alexa, Amazons Sprachdienst, wird mit Dutzenden integrierter Skills ausgeliefert – Witze, Sportergebnisse, Film-Trivia – und einer Reihe von Easter Eggs. Entwickler können Alexas Fähigkeiten mit dem Alexa Skills Kit (ASK) erweitern. So verwandelte ein Hobbyist seinen iRobot Roomba in einen sprachgesteuerten Staubsauger, indem er einen benutzerdefinierten Skill erstellte. Alexa steuert auch praktische Dienste wie Essensbestellungen, Fahrtenbuchungen und die Steuerung von Smart-Home-Geräten von Whirlpool, GE und anderen.

Amazon führt den Markt noch an, aber Wettbewerber holen auf. Facebook engagierte Morgan Freeman als Stimme seines KI-Assistenten, den Zuckerberg über ein Jahr entwickelte und „Jarvis“ nennt. Das System kann Nutzer an der Stimme identifizieren, Gesichter erkennen und sicheren Zutritt zum Zuhause gewähren. In Japan bietet Gatebox einen holografischen Assistenten namens Azuma Hikari an, der Lautsprecher, Projektor, Kamera und Bewegungssensoren für ein immersiveres Erlebnis kombiniert.

Wie funktioniert Far-Field-Spracherfassung?

Gesprochene Befehle zu verstehen, während Hintergrundmusik läuft – oder quer durch den Raum – erfordert mehrere fortschrittliche Technologien:

Deep Learning treibt moderne ASR an. Neuronale Netze, die auf riesigen Datensätzen trainiert wurden, erreichen nun menschliche Leistung in Sprach- und Bilderkennung. Nach dem Training laufen die Modelle in Echtzeit auf der Geräte-Hardware.

Adaptives Beamforming erhöht die Zuverlässigkeit, indem es auf die Richtung des Sprechers fokussiert. Geräte wie der Echo nutzen ein hexagonales Mikrofon-Array (sieben Mikrofone), um Signalankunftszeiten zu detektieren, einen beweglichen Sprecher zu verfolgen und mehrere Stimmen zu trennen.

Beamforming mit hexagonalem Mikrofon-Array (Quelle: CEVA)

Akustische Echounterdrückung entfernt das eigene Audio des Geräts (Musik, gesprochene Antworten), damit es weiterhin auf Nutzerbefehle lauschen kann. Das System modelliert den selbst erzeugten Schall, entweder durch Analyse der Ausgabedaten oder durch ein dediziertes Mikrofon, und subtrahiert ihn vom eingehenden Signal. Dies ermöglicht es Nutzern, zu unterbrechen („Barge-in“), selbst während Musik spielt.

Akustische Echounterdrückung (Quelle: CEVA)

Zusätzliche Echo-Reduktions-Techniken wie Dereverberation filtern unvorhersehbare Reflexionen von Wänden und anderen Oberflächen heraus, sodass die ASR-Engine ein sauberes Sprachsignal erhält.

Heutige Sprachinterfaces entwickeln sich weiter

Während 2017 einen bedeutenden Meilenstein in der Sprachnutzung markiert, bleiben viele Herausforderungen – Latenz, Kontextbewusstsein, Multi-Sprecher-Unterstützung und Datenschutz. Ich werde diese Mängel in einem zukünftigen Beitrag untersuchen, bleiben Sie dran.

Eran Belaish ist Product Marketing Manager für CEVAs Audio- und Sprach-Portfolio und entwickelt Lösungen von Voice Triggering bis Wireless Audio. Wenn er nicht in Sound-Technologie eintaucht, genießt er Freediving in stillen Unterwasserwelten.