Распознавание речи в комнате с акустикой: работает без фильтрации шума
Классический подход требует предварительной обработки сигнала: фильтрация фонового шума, подавление эха, нормализация уровня. Новые нейросетевые модели обучены на записях из реальных помещений и могут работать с сырым аудиосигналом без этой предварительной обработки.
Это значительно упростило развёртывание голосовых интерфейсов в офисах, гостинице, в автомобилях и других средах с неконтролируемой акустикой. Устройства больше не требуют отдельного модуля подавления эха и могут обойтись более дешёвым оборудованием.
Снижение требований к железу
Калькуляции показали, что отказ от предварительной фильтрации снижает энергопотребление в мобильных устройствах на 15—20 процентов. Голосовые помощники в смартфонах становятся экономнее по батарее.
Компании, которые развёртывали голосовые системы в офисах и call-центрах, сообщают об уменьшении времени отклика и улучшении точности распознавания. Сотрудники больше не нужно специально обучать тому, как нужно говорить в микрофон.
Следующий этап развития — распознавание речи говорящих друг с другом в одной комнате без разделения голосов, что потребует дополнительной работы с моделями, обученными на многоголосых сценариях.