انسان‌ها موجوداتی بصری‌اند، اما بخش مهمی از درک ما از جهان از راه گوش حاصل می‌شود؛ صدای برخورد چوب بیسبال با توپ همراه با فریاد تماشاگران می‌تواند توجه یک هوادار را جلب کند، حتی اگر صحنهٔ هوم‌ران را از دست داده باشد. پژوهشگران دانشگاه ام‌آی‌تی اکنون می‌خواهند همین توانایی شنیداری را به ماشین‌ها بیاموزند و حتی از آن فراتر بروند.
ماشین‌هایی با شنوایی فراتر از انسان
پروفسور «پاریس سماراگدیس»، دانش‌آموختهٔ دوران تحصیلات تکمیلی ام‌آی‌تی و استاد کنونی این دانشگاه، روی ساخت رایانه‌هایی کار می‌کند که نه‌تنها صدا را می‌شنوند، بلکه آن را نیز درک می‌کنند. هدف او دستیابی به شنوایی فرابشری است؛ توانایی‌ای که به ماشین‌ها اجازه می‌دهد جزئیات صوتی محیط را دقیق‌تر از گوش انسان تحلیل کنند.
کاربردها: از تشخیص گفتار تا پایش محیط زیست
هوش مصنوعی شنیداری می‌تواند در حوزه‌های گوناگونی به کار گرفته شود. گروه پژوهشی سماراگدیس بر سه محور اصلی تمرکز دارد:
- یادگیری ماشین برای تفکیک منابع صوتی و جداسازی هر صدا از میان موج‌های درهم‌تنیدهٔ محیط؛
- دستگاه‌های هوشمندی که فضای شنیداری اطراف انسان را تقویت و غنی‌تر می‌کنند؛
- ابزارهای پیشرفته برای فهمیدن، ویرایش، تحلیل و خلق موسیقی.
تفکیک صدا؛ گلوگاه اصلی شنیدن ماشینی
یکی از چالش‌های بزرگ در پردازش صدا، شلوغی محیط‌های واقعی است. انسان به‌راحتی می‌تواند صدای گوینده را از همهمهٔ پس‌زمینه جدا کند، اما برای ماشین این کار دشوار است. مدل‌های مبتنی بر یادگیری ماشین این گروه پژوهشی می‌کوشند دقیقاً همین مهارت را بازسازی کنند تا سیستم‌های تشخیص گفتار و دستیارهای صوتی در شرایط پُرنویز عملکرد بهتری داشته باشند.
گامی به‌سوی ادراک مصنوعی کامل‌تر
پژوهش‌های حوزهٔ هوش مصنوعی تاکنون عمدتاً بر بینایی ماشین متمرکز بوده‌اند؛ اما شنیدن نیز بخش جدایی‌ناپذیر ادراک است. اگر ماشین‌ها بتوانند جهان را همان‌گونه که ما می‌شنویم ــ و حتی دقیق‌تر ــ بشنوند، مسیر برای نسل تازه‌ای از کاربردها، از مراقبت‌های محیط‌زیستی تا تجربه‌های موسیقایی، هموار خواهد شد. این پژوهش‌ها گامی مهم در جهت تکمیل ادراک مصنوعی به شمار می‌روند.
پرسش‌های پرتکرار
هوش مصنوعی شنیداری چیست؟
شاخه‌ای از هوش مصنوعی است که به ماشین‌ها توانایی شنیدن و درک صدا را می‌دهد؛ به‌گونه‌ای که حتی بتوانند دقیق‌تر از انسان، صداها را تحلیل و تفکیک کنند. پژوهشگرانی مانند پروفسور پاریس سماراگدیس در ام‌آی‌تی روی این فناوری کار می‌کنند.
این فناوری چه کاربردهایی دارد؟
از تشخیص گفتار در محیط‌های شلوغ و ساخت ابزارهای هوشمند موسیقی تا پایش صوتی محیط زیست و طراحی دستگاه‌هایی که فضای شنیداری اطراف انسان را تقویت می‌کنند.
