Три задачи, една идея
Диктувате съобщение на телефона, навигацията ви чете улиците на глас, а сайтът на чужд език се превежда с един бутон. Три различни задачи — разпознаване на реч (звук → текст), синтез на реч (текст → звук) и машинен превод (текст → текст на друг език). Зад тях е една и съща идея, която вече познавате: данните стават числа, а модел, обучен върху милиони примери, предсказва най-вероятния изход.
И трите изглеждат решени. Днес ще видим, че не са — и ще се научим да предвиждаме къде ще сгрешат.
Разпознаване на реч: звук → текст
Микрофонът мери налягането на въздуха десетки хиляди пъти в секунда — една секунда реч е около 44 100 числа. Те се превръщат в спектрограма: картина, в която хоризонтално е времето, вертикално — височината на тона, а яркостта — силата. Звукът става изображение, а изображения вече умеем да разпознаваме (урок 23).
Мрежата гледа парче от спектрограмата и предсказва кой звук се чува. Но „замък“ и „замък“ звучат почти еднакво, „пара“ и „пара“ — също. Затова над мрежата стои езиков модел: той знае кои думи вървят една след друга и избира между звуково сходните варианти по-вероятния. „Купих нов ... за вратата“ → „замък“ с ударение на втората сричка.
Синтез на реч: текст → звук
Обратната посока. Текстът се разбива на звукове, определя се къде е ударението и как се вдига гласът в края на въпрос, а после мрежа, обучена върху записи на говорител, произвежда самите числа на звуковата вълна. Старите синтезатори лепяха записани срички и звучаха като робот; днешните се учат от часове реч и са трудни за отличаване от човек.
Трудното пак е двусмислието — само че сега моделът трябва да познае от текста как се произнася. „Замъкът на хълма“ и „замъкът на вратата“ се пишат еднакво, а се четат различно. Числата и съкращенията също: „14 ч.“, „1/2“, „д-р“.
Машинен превод: текст → текст
Преводачът е модел, който чете изречението на единия език и предсказва следващата дума на другия, дума по дума, като гледа и оригинала, и вече преведеното. Обучен е върху милиони двойки изречения — оригинал и превод от книги, документи и сайтове. Съвременните преводачи са построени върху архитектурата трансформър (2017), която дава и чат асистентите.
| Превод по правила (старият подход) | Превод от данни (днешният) | |
|---|---|---|
| Откъде идва знанието | речник и граматически правила, написани от езиковеди | милиони преведени изречения |
| Идиоми | дума по дума — „вързах му тенекия“ става безсмислица | ако изразът е бил в данните — преведен по смисъл |
| Рядък език или тема | работи, стига правилата да са написани | слаб — няма достатъчно примери |
| Грешките | тромави, но предвидими | гладки и убедителни — и затова опасни |
Типичните грешки и защо се появяват
| Грешка | Пример | Защо |
|---|---|---|
| Омоними и омографи | замък / замък, пара / пара, коса / коса | еднакъв звук или запис — моделът избира по-честото значение |
| Имена, които са и думи | Надежда, Вяра, Роза, Огнян | диктовката ги пише с малка буква; преводачът ги превежда |
| Идиоми | „върза ми тенекия“, „качи ми се на главата“ | буквален превод, ако изразът е рядък в данните |
| Род | „I was tired“ → уморен или уморена? | английският не носи рода; моделът избира по-честия |
| Многозначност | „скъпи гости“ — dear или expensive | контекстът е твърде кратък, за да реши |
| Шум и диалект | тих глас, музика отзад, меко „е“ | звукът не прилича на този от обучаващите записи |
| Числа и време | „седем и половина“ → 7:30 или „седем и половина“ | правила за нормализация, различни в различните системи |
Кой език е по-труден
Английският има най-много данни в интернет; българският — много по-малко. Затова инструментите работят по-добре на английски, а между два „малки“ езика често превеждат през английски — и грешките се удвояват. Това е същото пристрастие в данните, което видяхме при изображенията: моделът е добър там, където примерите са много.
Изречение-капан
Изречение, нарочно съставено с омоним, идиом, име или двусмислие, за да провери дали инструментът разбира контекста или просто познава. С такива изречения се тества всяка система за реч и превод.
Какво трябва да запомниш
- Разпознаването на реч превръща звука в числа и спектрограма, а мрежа с езиков модел предсказва най-вероятния текст.
- Синтезът върви обратно: текст → звукове и ударения → звукова вълна, научена от записи на говорител.
- Преводачът предсказва следващата дума на другия език, обучен върху милиони двойки изречения.
- Типични грешки: омоними, имена, идиоми, род, многозначност, шум, числа — навсякъде, където трябва контекст.
- Грешките от данни звучат гладко и убедително; проверявайте, когато смисълът има значение.
- Инструментите са по-слаби на езици с по-малко данни, включително български.