Az egységes üzenetkezelés szerves része a hangfelismerés és -szintézis. Bár vannak jól működő rendszerek, a piac nem mutat túl nagy érdeklődést.
Egységes üzenetkezelés, egységes kommunikáció – e fogalmak számos elemet tartalmaznak, köztük a hangüzenetek szöveggé, valamint a szöveges üzenetek (e-mailek, sms-ek) hanggá alakítását. Az alaptechnológia mindkét irányban rendelkezésre áll, ám mégsem beszélhetünk e rendszerek széles körű elterjedéséről. Sem Magyarországon, sem Európában. Ennek – a szakember szerint – alapvetően két oka van: egyrészt a szolgáltatók még nem találták meg a megfelelő üzleti modellt, másrészt a kereskedelmi forgalomban kapható rendszerek túlnyomó többsége angol nyelvű. Kis piacon, helyi nyelven – legalábbis egyelőre – nem látszik a hang–szöveg–hang megoldások elterjesztésében rejlő üzlet. Alig van előrelépés, noha ezeknek a rendszereknek a segítségével egyebek mellett a hátrányos helyzetű – vak és siket – embereket a mainál lényegesen nagyobb számban lehetne bevonni a munkaerőpiacra.
Minőségi javulás
Itthon több műhelyben is foglalkoznak magyar nyelvű hangfelismerő és szövegfelolvasó rendszerek fejlesztésével. Olyan munka ez, mint bármilyen fejlesztés: nem lehet azt mondani, hogy bárki is elkészült vele, időről időre újabb, korszerűbb változatok látnak napvilágot – fogalmaz Németh Géza, a Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) Távközlési és Médiainformatikai Tanszékének szakértője, aki már több mint 20 éve foglalkozik a témával. A működési alapelvek mind a szintézisben, mind a felismerésben a legtöbb nyelven hasonlóak. A gépi szövegfelolvasásnál mindig valamilyen méretű hangelemeket fűznek össze. Kezdetben szűrősorok segítségével modellezték az egyes hangokat; a programkód mindössze 10- 12 kilobájtot tett ki, és maga az adatbázis sem haladta meg az 1-2 kilobájtot. Ma már a 4., 5. generációnál tartanak a fejlesztők (száz kilobájt nagyságrendű kód és gigabájt méretű hangadatbázisok), és a hangok olyannyira érthetőek, hogy az emberek hosszú ideig elviselik a szintetizált beszéd hallgatását.
Kulcs az adatbázis
A hangfelismerés két minta paramétervektorainak összehasonlításából indult ki (time-warping). Ez az elv azonban a gyakorlatban nem vált be. A világon ma a legelterjedtebb módszer statisztikai, az úgynevezett rejtett Markov-modellen alapul. Noha ez kvázi szabványos technológiának tekinthető, az egyes megoldások között óriási különbségek vannak. Az eltérések hátterében számos tényező áll ugyan (például a dekóder hatékonysága, gyorsasága), mégis a legkritikusabb pont az adatbázis. Annál jobb a felismerő, minél nagyobb és reprezentatívabb adatbázisokkal tanítják. A kulcskérdés tehát az adatbázis mérete és milyensége. „Az adatbázis kialakításakor nagy hangsúlyt kell fektetni rá, hogy kikkel és milyen akusztikus környezetben készülnek a hangfelvételek. Ha például a hangfelismerést a mobiltelefóniában akarják majd alkalmazni, akkor sokféle embertől (nőktől, férfiaktól, idősektől, fiataloktól stb.), sokféle akusztikus környezetben kell elvégezni a hangmintagyűjtést. Életszerű környezeteket kell keresni, olyanokat, amelyekben a hangfelismerést nap mint nap igénybe veszik az emberek. Egy valamirevaló rendszerben minimum 50 órányi hanganyagot kell rögzíteni, de a nagy rendszereket akár több ezer órányi hanganyaggal is tanítják. A kulcs tehát az adatbázis; ha azzal rendben van minden, akkor a mai szabványos szoftverekkel akár 90-95 százalékos felismerési arány is elérhető” – tájékoztat Németh Géza. A szakember tapasztalata szerint az integrált beszédinformációs rendszerek (például név bemondása alapján ügyintéző kapcsolása) kialakításánál sok esetben nem műszaki, hanem alapvetően szervezeti gondok merülnek fel. Például a címtárat kezelő informatikai részleg és az ügyfélszolgálati csapat együttműködése nem mindig zökkenőmentes.
Parancs- és kulcsszavak
A hangfelismerés egyik jellemző alkalmazási területe, amikor a rendszer akusztikus parancsszavak alapján működik. Ha például egy telefonos rendszernek megtanítják a munkatársak, részlegek neveit, akkor a mellékeket hangparanccsal lehet hívni. Természetesen taníthatók/adhatók egyéb hangparancsok is. Jellemző példa, amikor a hívásközpont (call center) menüjében nem nyomógombokkal, hanem hangparancsokkal lehet navigálni. Ilyen típusú parancsszavas megoldásokkal már több önkormányzatnál, banknál, pénzintézetnél találkozhatunk. A BME-n készen van egy olyan technológia is, amikor a rendszer kulcsszavakra keres rá. A telefonos ügyfélszolgálati központokban például a beszélgetések véletlenszerű ellenőrzését lehetne kulcsszavas kereséssel kiváltani.
Mallász Judit
