Голубятня: Ась? Сергей Голубицкий

Голубятня: Ась?

Сергей Голубицкий

Опубликовано 12 октября 2010 года

Читатели со стажем не дадут соврать: о системах распознания речи (VRS, Voice Recognition Systems) я писал регулярно, начиная с самой первой статьи, опубликованной в бумажной «Компьютерре» аж в 1996 году! Я делился, помнится, впечатлениями о чуде из чудес компьютерных технологий — программе Dragon Dictate. Вот этот исторический текст, отдаленный от нас во времени почти как полет американцев на Луну (от меня, по крайней мере, и от моих воспоминаний об Америке):

"Наблюдение за Бобом в офисе неизбежно рождало чувство приобщенности к XXI веку. Обставленный компьютерами и мониторами, Боб принимал и отсылал электронную почту, издавал резолюции и созывал собрания совета директоров — и все это без помощи клавиатуры: команды он подавал через микрофон благодаря программе Dragon Dictate. Зрелище просто феерическое! Иное дело — абсолютная сырость самой Dragon Dictate, которая не распознавала каждые три слова из четырех. Бобу приходилось постоянно отвлекаться и вносить изменения в словарный запас программы, причем для этого необходимо было произнести магическое слово"Oops" . В этом случае Dragon Dictate переключается в командный режим и позволяет делать исправления. Я сидел рядом и, закрыв глаза, слушал волшебную музыку очарования технологией: «Упс... упс... упс... упс!»

Но мистер Старер не был бы тем, кем он является на самом деле, — одним из тысячи самых богатых людей Соединенных Штатов (согласно журналу «Fortune»), — если бы не умел вовремя контролировать свои эмоции. После часа ритуальных утренних «упс»-заклинаний он снимал наушники, потягивался и принимался за настоящее дело — подписывал горы бумажных документов, звонил по телефону, летел за пятьсот миль на собственном реактивном самолете на встречи с деловым партнерами и потенциальными клиентами, которые, хоть и не ведали об очаровании технологией, однако обладали просто чудовищным финансово-материальным потенциалом".

Что ж, прошло 15 лет. За это время я предпринимал несколько попыток свериться со свежими достижениями в области распознания речи, однако всякий раз в совершенно конфузном состоянии закрывал тему, покрывая эти самые «достижения» конфузной фигурой умолчания. Отчего так? Оттого, что за 15 лет прогресс нулевой. Именно так — читайте по слогам: ну-ле-вой! Никакой!

Для аналогии приведу еще одну перспективнейшую сферу soft-hard решений, которая топчется на месте те же 15 лет: синтез речи (TTS — Text-To-Speech Engines). О нем я тоже писал миллионократно — при всяком очередном всполохе надежд: то какие-то белорусские товарищи (Sakrament) грозились не сегодня-завтра создать чудо-движок для русской речи, то объявлялась какая-то загадочная якобы 22-килогерцовая «Катя» (ScanSoft RealSpeak Katerina 22Khz), которая на поверку оказывалась чистой воды аберрацией разума (размер TTS 45 мегабайт, тогда как «всего лишь» 16-килогерцовый английский движок AT&T Natural Voices занимает 600 мегов и при этом звучит на фоне русской «Кати» как бог).

Короче говоря, и TTS и VRS, будучи едва ли не самыми перспективными инициативами ай-ти не только на уровне пользователей, но и бизнес-решений, одновременно яляются и самыми тупиковыми и безнадежными. Может найдется, все-таки, профессиональный человек среди читателей Голубятен (а то все больше мельтешат на форуме негативные голубицкоманы), которые объяснят старику-филологу: что такого страшно неподъемного в TTS и VRS, что не позволяет сдвинуть воз с места 15 лет к ряду?!

Поводом к посту послужил разговор с Антонелло, который хвастался андроидной приблудой, встроенной в последнюю версию мобильной ОС (2.2) — Google Voice Actions, кажется так это называется. Поначалу мне очень понравилось, как старый Козловский надиктовал прямо в камеру Скайпа мне письмо и одним кликом отправил по мылу. Все прошло гладко — примерно так, как мечталось нам в 1995 году. Впечатлившись, я тут же бросился искать нечто подобное на моем любимом айфоне. И быстро нашел: называется... вы не поверите: Dragon Dictation свежайшей (октябрьской) версии 2.02, который справляется с задачей распознания речи не хуже Google Voice Actions.

После получаса работы с Dragon Dictation эйфорию, увы, сменила печаль времен «Упс-упс-упс» моего дорогого учителя Боба Старера. Наверное, распознание происходит получше, чем в 1995 году. Во всяком случае мобильный вариант (на айфоне) смотрится сильно интереснее последней (второй) версии Dragon Dictate, изданной в этом году для Mac OS X. Эту — последнюю — приходится обучать и обучать до бесконечности, и все равно результату до идеала примерно как до Луны.

Продукты Dragon (компания Nuance Communications), кстати, работают только на английском, немецком, французском и — кажется, либо на подходе — испанском языках. О русском даже мечтать не приходится. Когда-то был такой «Горыныч» — явный филиал Dragon Dictate либо пародия на него — однако канул в лету: в прошлом году видел на Горбушке какую-то полуОЕМ версию этого барахла непонятно, какого года выпуска. Короче, все разработки с распознанием русской речи, похоже, сдохли окончательно и бесповоротно. Наверное, растворились в нанотехнологиях.

Google Voice Actions вроде с русским справляется. Встроенный в iOS 4 надкусановый вариант управления голосом на фоне андроидной приблуды смотрится, конечно, ребенком. Но, опять же, по гамбургскому счету: ВСЕ перечисленное, ВСЕ-ВСЕ-ВСЕ без исключения — это жалкие потуги, даже не претендующие на хоть какую-то динамику в направлении того, что 15 лет назад казалось и не идеалом вовсе, а гарантированной данностью завтрашнего дня.

Ну и что случилось? Почему все так печально? Кто-нибудь даст объяснение импотенции? Ась?

К оглавлению