Razločevanja posameznega glasu v množici se ljudje podzavestno lotevamo tako, da gledamo človeka, ki nas zanima in poskušamo s pomočjo »branja iz ustnic« povezati njega in zvok. To nam včasih uspe, včasih pa tudi ne. Je lahko računalnik boljši? Na žalost je.
Seveda tudi v tem primeru ne gre brez umetne inteligence, strojnega učenja, nevronskih mrež in podobnih novotarij. Vse to so pri Googlu uporabili za to, da – simulirajo to, kar delamo ljudje instinktivno. Sistem namreč počne točno to – v videoposnetku najprej poišče obraz, na njem usta, nato pa iz premikanje ustnic ugotavlja, kaj je ta oseba rekla, to pa primerja z zvočnim posnetkom oziroma virom.
Zadeva se sliši dokaj zapleteno in dejansko tudi je, zato uporaba vseh naštetih tehnologij ne preseneča. V podrobnosti delovanja sistema se ne bomo spuščali. Če vas zanimajo, si jih lahko preberete v tem dokumentu PDF, na tem mestu bomo pokazali le končni izdelek, ki je res impresiven. Google je v svojem projektu uporabil nastop Jona Dora in Roryja Scovela v šovu Conana O'Briena leta 2011, kjer sta naredila točno to, kar je Google iskal, saj sta svoji točki izvedla – istočasno.
V spodnjem videu lahko vidite in slišite, da jim je zadeva zelo dobro uspela. Celo tako dobro, da ob njej dobimo neprijeten občutek. A nas bodo v prihodnosti lahko takole nadzirali? Najprej prepoznava obraza, nato pa še filtriranje govora? Z malo domišljije si kaj lahko predstavljamo, da bodo nekoč na voljo očala, s katerimi bomo gledali po množici ljudi in sproti dobivali »prečiščen« zvok glede na to, koga gledamo. Uh…
V nadaljevanju si lahko ogledate še nekaj primerov delovanja sistema.
Vir: Google
