Fölöttébb frusztráló „élmény” lehet a hallókészülékkel élők számára, amikor olyan helyzetbe kerülnek, hogy többen beszélgetnek egymás hangját elnyomva. Ilyenkor nehéz kiszűrni a zajból a kiválasztott beszélgetőpartner szavait. A mesterséges intelligencia viszont ebben az esetben is segíthet.
Koktélparti hatásnak nevezik a hallókészülékek azon sajátosságát, hogy csak úgy tudják felerősíteni egy személy hangját, hogy a szobában tartózkodó többi ember hangját is felerősítik. A Washingtoni Egyetem kutatói egy ideje már foglalkoznak ezzel a problémával, vagyis azzal a kihívással, hogy a beszélgetőpartnerek hangját el kell különíteni a lármától. Készítettek is egy olyan fejhallgatót, amelyik egy úgynevezett hangbuborékot hoz létre, és izolálja annak a partnernek a hangját, akire a fejhallgató viselője ránéz. Ez a hangbuborék elnyomja a néhány méternél távolabbi hangokat is.
Azonban ez nem volt százszázalékos megoldás, és nem csupán azért, mert rá kellett nézni a beszélőre, hanem azért is, mert nem volt mód azon más hangok elnyomására, amelyek a buborékba kerültek. Mostani innovációjuk viszont ezt a problémát is megoldja. Egy olyan, az emberi hallást utánzó, térhatású, 3D-s hangélményt létrehozó binaurális mikrofont készítettek, amelyhez két mesterséges intelligencia tartozik.
Amerikai kutatók kifejlesztettek egy olyan rendszert, amely lehetővé teszi, hogy akár egy egyszerű zajszűrős fejhallgatóval is csak egyetlen személyt lehessen hallani az egyébként zajos környezetben.
A „proaktív hallássegédnek” elnevezett prototípus rendszer akkor aktiválódik, amikor a fejhallgatót viselő személy beszélni kezd. Ezt követően az egyik mesterséges intelligencia alapú modell elkezdi nyomon követni a beszélgetés résztvevőit egy „ki mikor” elemzéssel, és a beszélgetések közötti átfedések alacsony szintjét keresi. Ezután továbbítja az eredményt a második AI-modellnek, amely elkülöníti a résztvevőket, és a megtisztított hangot játssza le a viselő számára.
A rendszer elég gyors ahhoz, hogy elkerülje a felhasználó számára zavaró hangkésést, és jelenleg egy-négy beszélgetőpartnerrel is képes zsonglőrködni a viselő hangja mellett. „Minden, amit korábban csináltunk, megköveteli a felhasználótól, hogy manuálisan válasszon ki egy adott beszélőt vagy egy távolságot, amelyen belül hallani szeretne, ami nem túl jó a felhasználói élmény szempontjából. Amit bemutattunk, az egy proaktív technológia – valami, ami nem invazív módon és automatikusan következtet az emberi szándékra” – mondta Guilin Hu, a tanulmány vezető szerzője.
A következőkben még sok munka vár rájuk a felhasználói élmény finomítása érdekében. Minél dinamikusabb egy beszélgetés, annál valószínűbb, hogy a rendszer nehezebben fog működni, mivel a résztvevők olykor egyszerre beszélnek, vagy hosszabb monológokat folytatnak. A beszélgetésbe belépő és kilépő résztvevők további akadályt jelentenek, bár még a kutatókat is meglepte, hogy a jelenlegi prototípus milyen jól teljesített ezekben a bonyolultabb forgatókönyvekben. A modelleket egyelőre angol, mandarin és japán párbeszédeken tesztelték, és a kutatók szerint más nyelvek ritmusa további finomhangolást igényelhet.
A kutatási eredményeket nemrégiben be is mutatták egy, a természetes nyelvi feldolgozás empirikus módszereivel foglalkozó konferencián Kínában. Bár a technológiát jelenleg egy fülre helyezhető fejhallgatóban demonstrálják, a tudósok remélik, hogy kisebb eszközökbe is beépíthetik. A technológia így egy napon segíthet a hallókészülékek, fülhallgatók és okosszemüvegek felhasználóinak abban, hogy ne kelljen manuálisan irányítaniuk a mesterséges intelligencia „figyelmét” egy szűrt hangzásvilághoz.
(Nyitóképünkön a proaktív hallássegítő fejhallgató-prototípus. Forrás: EMNLP (Empirical Methods in Natural Language Processing) konferencia)
