Barge-in: o recurso mais caro que todos acham que é grátis
Deixar o usuário interromper um dispositivo no meio da frase, simplesmente falando (barge-in), é um problema de sistemas sem resposta barata e confiável ao custo de um hardware de consumo. Entregamos um CI dedicado de redução de ruído e um algoritmo exatamente para isso, ajustamos por semanas, e essa ainda é a conclusão honesta.
O que estávamos tentando fazer
O barge-in parece trivial. Você começa a falar, o dispositivo para e escuta. É cortesia básica de conversa, e todo usuário assume que uma IA de voz deveria se comportar assim. Tratamos como um detalhe, reservamos hardware para isso e encontramos um buraco.
Onde ele realmente quebra
Testando no nosso próprio escritório, um colega estava ao telefone por perto. O dispositivo tomou a voz dele como uma interrupção e perdeu o contexto da conversa que estava tendo comigo. Não era um som distante, nem alto, apenas outro adulto falando em volume normal a alguns metros.
A causa raiz é que o barge-in não é uma questão de volume. Para decidir corretamente, o dispositivo precisa saber três coisas ao mesmo tempo: quem está falando, onde essa pessoa está e se o que foi dito era dirigido a este dispositivo. Cada uma é difícil sozinha. As três juntas, numa placa de consumo com custo controlado, é algo quase insolúvel.
Quatro abordagens, e como cada uma falha
Distância
Uma criança carrega o brinquedo, apoia na mesa, levanta no ar. A distância entre a boca e o microfone nunca é estável, então qualquer limiar baseado nela oscila o tempo todo. Esse caminho está fechado antes mesmo de começar.
Limiar de volume
O som ambiente se sobrepõe à fala do próprio usuário em nível. Uma televisão, uma conversa próxima, o barulho da rua pela janela caem na mesma faixa da pessoa que importa. O mesmo nível medido pode ser o dono falando ou a TV, e nada na amplitude sozinha os separa.
Impressão de voz
Tecnicamente a melhor resposta. Travar no usuário cadastrado e ignorar todo mundo. Exige processamento e licenciamento que a lista de materiais (BOM) de um brinquedo de consumo não comporta, então ela é descartada pelo preço, não por impossibilidade.
CI local de redução de ruído
Foi o que entregamos de fato. Ajuda, e numa sala interna razoavelmente silenciosa o comportamento é aceitável. Em ambientes abertos e ruidosos, ainda ocorrem acionamentos falsos. Não resolvemos o problema, deslocamos a taxa de falha.
Por que os assistentes de celular se saem bem
Um assistente de celular lida bem com barge-in porque tem um conjunto de microfones, um processador de aplicações de alto desempenho e computação em nuvem por trás. Leve tudo isso para um brinquedo de custo controlado e cada item quebra alguma coisa. O conjunto de microfones aumenta tamanho e custo. O processador estoura a BOM. As idas e vindas à nuvem adicionam latência e dependência de rede num produto que precisa funcionar quando o Wi-Fi está ruim.
Não é uma questão de quem tem o algoritmo mais esperto. É um conjunto diferente de restrições.
O que entregamos
Apertamos o limite de acionamento para reduzir falsos positivos, aceitando que o dispositivo ocasionalmente perca uma interrupção genuína, em vez de reagir o tempo todo ao ambiente. Ele responde de forma confiável quando o usuário diz o nome dele ou fala claramente em sua direção. Zero acionamentos falsos num ambiente aberto e ruidoso não é alcançável a esse custo hoje, e preferimos dizer isso a deixar que um canal de vendas descubra depois do lançamento.
A lição geral
Em hardware com IA, as interações que os usuários consideram óbvias costumam ser as mais caras de engenhar. O barge-in é uma delas. Se você está definindo o escopo de um produto de voz, precifique esse recurso explicitamente em vez de supor que ele vem junto com a pilha de voz, e decida cedo para qual lado você quer que os erros caiam.
Relacionados
- Pingente de Pelúcia com IA — um botão, mais de 50 idiomas, reações offline
- Projetor de Histórias com IA — controle remoto por voz via Bluetooth, 75 idiomas
- Sistema de Sinalização Digital com Humano Digital com IA
Quer testar o hardware por trás destas notas?
Seis plataformas de hardware com IA estão em produção em série. Conte-nos seu mercado e seu canal e enviaremos uma amostra para avaliação.
Solicitar amostra