معرفی الگوریتم تشخیص صدای گوگل و نگرانی در مورد جاسوسی از مکالمات افراد

انسان ها به صورت طبیعی توانایی تمرکز بر چهره یک فرد برای تشخیص صدای وی در محیط های شلوغ را دارند و حالا گوگل این قابلیت را برای هوش مصنوعی نیز به ارمغان آورده است.

این کمپانی در فناوری جدید خود از سیستمی مشابه انسان ها بهره برد که در آن الگوریتم با تحلیل چهره سخنگو، صدای وی را ایزوله کرده و از نویزهای پس زمینه جداسازی می کند.

تنها کاری که کاربران باید انجام دهند این است که چهره فرد مورد نظر را در ویدئو انتخاب کنند

تیم توسعه دهنده این الگوریتم به منظور آموزش آن مجموعه ای از صد هزار ویدئوی با کیفیت سخنرانی و مکالمه را از یوتیوب استخراج کرده و بخش های از آن که یک نفر به صورت واضح در حال صحبت کردن بوده را برش داده اند که حدود 2 هزار ساعت بوده است. پس از آموزش تجزیه و تحلیل سخنان به صورت انفرادی، نوبت به مکالمه افراد به صورت همزمان و همراه با نویز در پس زمینه رسیده اما الگوریتم جدید از طریق تطابق دادن فرکانس های صوتی با حالت صحبت کردن افراد، صدای هر یک از آنها را به صورت مجزا ضبط کرده است.

اگرچه توسعه دهندگان این سیستم مدعی شده اند که هدفشان افزایش کیفیت صدا در تماس های تصویری و کمک به افراد ناشنوا با افزایش کارایی سمعک ها بوده، نگرانی هایی در مورد احتمال سوءاستفاده از آن برای جاسوسی در مکالمات محرمانه وجود دارد:

از نظر ما این سیستم از افزایش کیفیت صدا و شناسایی ویدئویی گرفته تا کمک به افراد کم شنوا و بهبود کیفیت ویدئو کنفرانس کاربردهایی گسترده دارد

کمپانی گوگل مدعی شده تنها کاری که کاربران باید انجام دهند این است که چهره فرد مورد نظر را در ویدئو انتخاب کنند، هرچند اینکار را هم می توان بر عهده الگوریتم گذاشت تا بر اساس زمینه ویدئو فرد را برگزیند. این کمپانی قصد دارد از فناوری مذکور برای بهینه سازی محصولات خود نیز بهره ببرد.