La interrupción por voz: la función cara que creen gratis
Permitir que un usuario interrumpa a un dispositivo que habla, en mitad de una frase, con solo hablar (barge-in), es un problema de sistemas que no tiene una respuesta barata y fiable al coste del hardware de consumo. Lanzamos un IC dedicado de reducción de ruido y un algoritmo precisamente para esto, los afinamos durante semanas, y esa sigue siendo la conclusión honesta.
Qué intentábamos lograr
La interrupción parece trivial. Usted empieza a hablar, el dispositivo se detiene y escucha. Es cortesía conversacional básica, y todo usuario da por hecho que una IA de voz debe comportarse así. Lo tratamos como un detalle, presupuestamos hardware para ello y encontramos un agujero.
Dónde falla de verdad
Probando en nuestra propia oficina, un colega hablaba por teléfono cerca. El dispositivo tomó su voz como una interrupción y perdió el contexto de la conversación que mantenía conmigo. No era un sonido lejano ni fuerte, sino simplemente otro adulto hablando a un nivel normal a unos metros.
La causa de fondo es que la interrupción no es una cuestión de volumen. Para decidir correctamente, el dispositivo tiene que saber tres cosas a la vez: quién habla, dónde está y si lo que dijo iba dirigido a este dispositivo. Cada una es difícil por separado. Las tres juntas, en una placa de consumo con coste controlado, es casi irresoluble.
Cuatro enfoques y cómo falla cada uno
Distancia
Un niño lleva el juguete a todas partes, lo deja sobre una mesa, lo levanta. La distancia entre la boca y el micrófono nunca es estable, así que cualquier umbral basado en ella se desplaza constantemente. Esta vía queda cerrada antes de empezar.
Umbral de volumen
El sonido ambiente se solapa en nivel con la propia voz del usuario. Un televisor, una conversación cercana o el ruido de la calle que entra por una ventana caen en la misma banda que la persona que nos interesa. El mismo nivel medido puede ser el dueño hablando o el televisor, y nada en la amplitud por sí sola los distingue.
Huella de voz
Técnicamente es la mejor respuesta. Se bloquea sobre el usuario registrado e ignora a todos los demás. Requiere cómputo y licencias que la lista de materiales (BOM) de un juguete de consumo no puede asumir, así que queda descartada por precio, no por inviabilidad.
IC local de reducción de ruido
Esto es lo que lanzamos en realidad. Ayuda, y en una habitación interior razonablemente silenciosa el comportamiento es aceptable. En un entorno abierto y ruidoso siguen produciéndose falsas activaciones. No resolvimos el problema: desplazamos la tasa de fallos.
Por qué los asistentes del teléfono se salen con la suya
Un asistente de teléfono gestiona bien la interrupción porque tiene detrás una matriz de micrófonos, un procesador de aplicaciones de alto rendimiento y cómputo en la nube. Si se trasladan esos elementos a un juguete de coste controlado, cada uno rompe algo. La matriz añade tamaño y coste. El procesador revienta el BOM. Los viajes de ida y vuelta a la nube añaden latencia y una dependencia de red en un producto que tiene que funcionar cuando el Wi-Fi es malo.
No es cuestión de quién tiene el algoritmo más ingenioso. Es un conjunto de restricciones distinto.
Qué lanzamos
Ajustamos el límite de activación para reducir los falsos positivos, aceptando que el dispositivo ocasionalmente no detectará una interrupción genuina, en lugar de reaccionar constantemente al entorno. Responde de forma fiable cuando el usuario dice su nombre o le habla con claridad. Cero falsas activaciones en un entorno abierto y ruidoso no es alcanzable hoy a este coste, y preferimos decirlo antes que dejar que un canal de distribución lo descubra después del lanzamiento.
La lección general
En el hardware de IA, las interacciones que los usuarios consideran obvias suelen ser las más caras de desarrollar. La interrupción por voz es una de ellas. Si está definiendo el alcance de un producto de voz, ponga precio explícito a esta función en lugar de suponer que viene incluida con la pila de voz, y decida pronto hacia qué lado quiere que caigan los errores.
Relacionado
- Llavero de peluche con IA: un botón, más de 50 idiomas, reacciones sin conexión
- Proyector con IA para cuentos ilustrados: mando de voz Bluetooth, 75 idiomas
- Sistema de señalización con humano digital con IA
¿Quiere probar el hardware detrás de estas notas?
Seis plataformas de hardware con IA están en producción en serie. Cuéntenos su mercado y su canal y le enviamos una muestra de evaluación.
Solicitar una muestra