Cloud AutoML Vision は、画像とその分類ラベルをクラウドにアップロードするだけで画像認識の機械学習モデルを作成できるサービス。ラーメン二郎のどんぶり画像から 95% 精度で店舗を当てたりできる高性能だけど、機械学習のディープな知識や経験がなくても使える。 で、これでまず試してみたかったのが、音の認識だ。画像じゃなくて音。 2 年くらい前に、画像認識用の CNN を使って音声を認識する論文が Microsoft Research から出てて、へぇーっと思った。スペクトログラムっていう、よく犯罪捜査で出てくる声紋のアレを使って音を画像にして、その模様から音の特徴を認識する。 CNN で音声認識（Microsoft Research）なるほどなあ。。つまり、世の中のどんなデータでも、捉えたい特徴を画像の特徴として表せれば、画像認識で識別できる……ってことだ。 そして、AutoM
2017年、米Googleや米Amazonなどの「スマートスピーカー」と呼ばれるデバイスの普及が日本で始まった。例えば、「ねえGoogle、今日の予定は？」と話しかけると、カレンダーアプリに入力していた予定を流ちょうな日本語で読み上げてくれる。中に人がいるわけではない。デバイスが人の声を認識し、応答となる声を合成しているのだ。 このデバイスが音声で応答するために使用しているコアの技術は、「音声認識」と「音声合成」という2つの技術だ。音声認識は人の声の波形を機械で処理し、どんな文であったかを推定する技術。音声合成は与えられた文やデータから、人が話す音声を合成する技術だ。 ここに、音声認識で推定した文に対して適切な応答文を出力する「対話制御」という技術が加わり、「人の話を聞いて適切な応答を音声で返す」という一連の動作を実現している。 音声認識・合成ともに、コンピュータを利用した研究は1950年
HEARTalk™ UU-001 ふあーーーHEARtalkめっちゃたのしいです！！テレル！！(音源については個人的な楽しみのためのあれなのでご容赦ください…) pic.twitter.com/cQf1YGfhiF — はいぬっか (@hinzka) 2017年6月21日 ヤマハ株式会社が開発した自然応答技術の呼称が「HEARTalk™」（ハートーク） これを搭載した基板が『HEARTalk™ UU-001』です。 体験者が発話する内容の「音律」・「長さ」・「語尾変化（上げ下げ）」を自動的に判断し、対応する音声データを選択して機敏に再生します。 音源にはwavファイルを使っていて、ユーザーが自由に差し替えることができます。 つまりこれを使うと、任意の「声」ときわめて自然な雰囲気で対話することができてしまうのです。これはヤバイ。 詳しくはこちら www.dtmstation.com やったこ
Raspberry Piで音声認識・音声合成 Raspberry Piで音声認識・音声合成をする方法です。基本的にはほぼネットで調べたことそのままですが、バージョンなどの関係で、自分の環境ではそのままじゃダメなところ等あったので、自分の備忘録としてまとめておきます。参考にしたサイトは参考リンクにまとめました。2017年6月時点ではこの記事の方法でそのまま動くはずです。 Raspberry PiはRaspberry Pi 2/Raspberry Pi 3、OSはRaspbian Jessieを想定しています。 Raspberry Piの基本セットアップ Raspberry Piの基本的なセットアップは済んでいる前提です。セットアップに関しては、以下記事を参照ください。 音声認識するためには、Raspberry Piに音声入力する必要がありますが、Raspberry Piには標準でマイクがつい
経緯や詳細は下記の記事に書いたのだが、けものフレンズというアニメに出てくるボス(ラッキービースト)というロボットみたいな何かをiPhoneで作ってみた。 至極簡易的ではあるものの、はじめてロボット/AI的なものを自分で作ってみて色々と技術的にも学んだことが多かったので、ここに書き記しておこうと思う。 今回のシステムの全体像 アニメに出てくるラッキービーストは、いわゆる汎用人工知能(強いAI)なのだが、さすがにそれを実現するのは難しいので、今回は「モノを見せると、それについて教えてくれる」人工無脳的な実装をすることにした。 大まかなシステムの流れはこんな感じ。 音声認識で「これなんだかわかりますか?」的な質問をされたことを検知する カメラを使って、目の前の様子を撮影する 撮影した画像から物体を検出する 検出した物体について、Wikipediaで情報を調べる 適当に文章にして音声合成で喋る 一
日本では未発売なので知らない方も多いと思いますが、米GoogleはAI音声アシスタントの「Google Assistant」が備わったスマートホームデバイス「Google Home」を米国で販売しています。 Google Homeとは、音声で呼びかけることで、音楽の再生、クラウドサービスやネット検索と連携してのさまざまな質問への回答、スマート家電の操作などが行える家庭向けのアシスタントデバイスです。 ディスプレイがなく、音声のやりとりで全ての操作を行えるため、リビングに置いておけば、家族みんなで（PCやスマートフォンが不得意な人がいても）手軽に使えます。「OK Google」と呼びかければ、誰の言うことでも聞いてくれる優れモノです。 そんなGoogle Homeの仕様を自社の広告に利用してしまおうと、米ファストフードチェーンのBurger Kingが4月12日（現地時間）のゴールデンタイム
・対話システムのイメージ ・対話システムでの考慮 対話システムの哲学的考慮 対話システムの心理学的考慮 ・対話システムの動向 タスク達成対話から非タスク達成対話 ・その先の対話システム 文脈や感情の利用（東ロボを題材に） ・まとめ 対話システム設計⇒心理学的，哲学的観点から設計する必要がある． 現在の対話システム:タスク対話だけの受容からタスクを超えた対話を許容するシステムへ
Kaldiとは C++で書かれた音声認識ツールキットで、Apache Licence 2.0で公開されています。 音響モデルにDNN (Deep Neural Network) を用いているのが特長です。 http://kaldi-asr.org/ 今回はKaldiを動作させ、yesかnoの音声を判別するモデルを学習させてみます。 環境 Vagrant上のUbuntu 16.04 LTSを用いています。 $ cat /etc/lsb-release DISTRIB_ID=Ubuntu DISTRIB_RELEASE=16.04 DISTRIB_CODENAME=xenial DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS" $ uname -a Linux vagrant 4.4.0-31-generic #50-Ubuntu SMP Wed Jul 13
こんにちは、せーのです。先日、AWS Summit Tokyoも盛況のうち無事終わり、だいぶ日常業務に戻ってきた感があります。 今日は音声認識の話題です。 タッチの次はボイス AWS SummitではDevOps、IoT、サーバレスアーキテクチャあたりの話題が盛況でしたが、"次の波"として注目されていたのが音声認識技術についての話題でした。 Amazonでは既に「Amazon Echo」という音声認識によるアシスタントデバイスが売りだされ、アメリカで大人気となっています。他にもIBMの「Watson」やAppleの「Siri」、Googleの「Google now」やMicrosoftの「Cortana」等、キーボードからタッチに移り始めたデバイス入力方法の次は声による入力、という見方が大勢となっています。AWS Summit TokyoでもAmazonの自然言語応答サービスであるAVS(
2016年6月4日 最近いろいろ遊び過ぎたので、しばらくは真面目というか、比較的実用的な記事を書いていこうと思います。 Amazon EchoやらGoogle Homeやら、最近だとAppleまで同じような端末を開発しているという噂もあったりして、なんだか音声アシスタント端末？が盛り上がっているようです。でも結構お値段もするし、そもそも日本だとまだ全然モノ自体がないので、ここは一発自作して、「音声アシスタント端末」とやらがある生活を先行的に評価してみたいと思います（既にやっている人はたくさんいそうですが）。 電子工作における音声認識だと、一昔前はRaspberry Pi+Juliusがよくある手段だったかなと思います。スタンドアロンで動くし無料だし、というのはとても魅力なのですが、過去に自分も使ってみた感じでは、なかなか使いこなすのは難しいなあという印象でした。安定して認識させようと思った
はじめに キーボードを封印して音声認識だけで生きています この記事も音声認識だけで書いています コルタナの音声認識の結果がかなり良いのでそれを利用したいと思いパワーシェルのスクリプトを書いてみました( なおキーボード封印中 今回書いたもの スクリプト更新しました( 2017年1月4日 簡単なDebug出来るようにしました 追記 2017/01/04 以下のスクリプトをパワーシェルに貼り付ける分には動くっぽいのですが、.ps1にするとアウトっぽいので取り急ぎdropboxのリンクを貼っておきます 時間がある時に修正します… www.dropbox.com while(1) { $psArray=[System.Diagnostics.Process]::GetProcesses() $str="" foreach ($ps in $psArray){ if($ps.MainWindowTit
サービス終了のお知らせ SankeiBizは、2022年12月26日をもちましてサービスを終了させていただきました。長らくのご愛読、誠にありがとうございました。 産経デジタルがお送りする経済ニュースは「iza! 経済ニュース」でお楽しみください。 このページは5秒後に「iza!経済ニュース」（https://www.iza.ne.jp/economy/）に転送されます。 ページが切り替わらない場合は以下のボタンから「iza! 経済ニュース」へ移動をお願いします。 iza! 経済ニュースへ
by Johan Larsson ユーザーが検索した内容などをGoogleが収集しているのはよく知られていますが、実は「OK, Google」から話し出す音声検索をはじめとする音声入力の内容はアカウントに保存されており、自分がGoogleに話しかけた内容は再生と削除が可能です。ということで、実際にGoogleアカウントに記録されている音声入力内容のデータを確認し、削除してみました。 How to listen to (and delete) everything you've ever said to Google | Technology | The Guardian http://www.theguardian.com/technology/2015/oct/13/google-voice-activity-listen-delete-recordings 自分がGoogleで音声を使
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く