Ma még gyakran megmosolyogtató, élettelen géphangon szólalnak meg a bankok telefonos szolgáltatásaként a számlaegyenleget közlő, vagy egyes mobiltársaságok e-mailt felolvasó beszédautomatái. Pedig a Budapesti Műszaki Egyetemen (BME) már kidolgozták a vájt fülűeket is megtévesztő beszédre képes rendszereket: a Beszédtechnológiai Laboratórium munkatársai az elmúlt években elsőként Magyarországon szám- és dátum-, e-mail-, sms-, valamint név- és címfelolvasó megoldásokat fejlesztettek ki, amelyeken ma már működő szolgáltatások is alapulnak.
Az ilyen fejlesztések során általában az a legnagyobb probléma, hogy az emberek minden szöveg esetén másképpen szólalnak meg, ezért a gépi megoldásokban is meg kell találni az azokhoz illő olvasási stílust. „A név- és címfelolvasó esetében több millió adatbázis felvételt elemeztünk, hogy megállapítsuk, milyen hangsúlyok fordulhatnak elő a címekben és a nevekben” – fejtegeti Németh Géza, a BME távközlési és médiainformatikai tanszékének egyetemi docense. Így most kifejezetten jól hangzik a szöveg, mivel a cím kötött formája sokat javít a minőségen.
Németh Géza, BME. Jól hangzó eredmények.
A BME által fejlesztett név- és címfelolvasó már az egyik nagy mobilszolgáltató tudakozójaként működik, és az egyetemi docens szerint olyan minőséget sikerült elérniük, hogy az érdeklődőnek általában már egyáltalán nincs szükségük ügyintéző segítségére. A tudakozó ugyan sms-ben is el tudja küldeni az információt, de kérésre fel is olvassa a kért nevet és címet, akár részletezve, és betűzve is. A BME szakembere elárulja: a kutatás egyik legnagyobb kihívása a betűzés volt, mivel eddig nem létezett arra vonatkozó szabvány, hogy a magyar neveket, vagy címeket hogyan kell betűnként felolvasni. Ezért a tanszék a betűzés egységesítésére kidolgozott egy javaslatot, s azt a kutatók a Magyar Tudományos Akadémia felé is továbbították.
„Az ügyfelek kellemes tapasztalatokról számolnak be, már ha egyáltalán észreveszik a gépi és az emberi hang közötti különbséget” – mondja Fekete László, a T-Mobile IT-fejlesztési igazgatója. Mint hangsúlyozza: a rendszer bevezetése nem az ügyfélszolgálati munkatársak számát, csak a terhelésüket csökkentette, s így az ügyfelek egyéb kérdéseivel többet tudnak foglalkozni.
A BME másik fejlesztése a már szintén működő szöveges üzenet felolvasó szolgáltatás, az SMSmondó, amelyet az egyre bővülő tudással felszerelt „okos telefonokra” dolgoztak ki a M.I.T. Systems Kft. munkatársaival együttműködve. Ez a készülék beállításaitól függően képes felolvasni az érkezett üzenetet: szabályozható a hangmagasság, a felolvasás sebessége, de a hangerő is, néma üzemmódban például egészen halkan szólal csak meg a készülék.
Kincset érő hang
A különböző igényeknek megfelelő beszédtechnológiai rendszerek költségei sokszor nagyban eltérnek, az ár függ attól, hogy az ügyfél mit kér, és mennyire kell személyre szabni a szisztémát” – beszél a tarifákról Fegyó Tibor, a beszédfelismerő és beszédszintézis rendszerekkel is foglalkozó AITIA Rt. kutatócég igazgatója. Fegyó úgy látja, a mai bővülő piacon egyelőre nincsenek kialakult árak. Az AITIA egyébként beszédtechnológiás megoldásaiból egyelőre nem termel profitot: bevételeikből minden szabad forintot a fejlesztésre fordítanak.
Német Géza szerint a mobiltelefonokra épülő beszédtechnológiának az üzenetolvasás mellett számos egyéb alkalmazása is lehet a jövőben. Így például elképzelhető, hogy a jogászok, közgazdászok mobilkészülékükről hallgassák le a munkájukhoz éppen szükséges jogszabályt, hiszen elméletileg már a telefonok is képesek a teljes jogtár tárolására. Azt is meg lehet majd oldani, hogy a közüzemi szolgáltatók beszédautomatákkal figyelmeztessék ügyfeleiket számláik befizetésére. A technológia jövőbeni lehetőségei elméletileg végtelenek, de még sok a kutatnivaló: a beszédfelismerő és beszédgeneráló rendszerek dinamikus együttműködésére – vagyis igazi beszélgetésre – ma még egyik rendszer sem képes. Így például komoly fejlesztést igényelne egy olyan megoldás is, amely tud kedvesen és dühösen is reagálni, attól függően, hogy az ügyfél milyen módon szólt hozzá.
