نمایش HN: Subvocal - بدون ایجاد سر و صدا با رایانه خود صحبت کنید

سلام HN، ما Aarush و Arnav از The Subvocal Company (YC F26) هستیم. ما در حال ساخت عینک‌های هوشمند هستیم که به شما امکان می‌دهد بدون صحبت با صدای بلند با رایانه خود صحبت کنید. می توانید کلمات را بی صدا و با احتیاط به زبان بیاورید و عینک آنها را با سرعت گفتار به متن رمزگشایی می کند. در اینجا یک ویدیو از دیو از YC است که آن را امتحان می کند: https://www.youtube.com/watch?v=9QdX1eObVYI (ویرایش: برای این کار لازم نیست لب های خود را حرکت دهید یا حتی دهان خود را باز کنید! از آنجایی که RF می تواند داخل دهان شما را ببیند، سیستم می تواند به خوبی روی "گفتار داخلی" تنظیم شود.

این حرکات خودکار زبان نیست که هنگام "فکر کردن" کلمات برای خود رخ می دهد، بلکه بیشتر شبیه به دهان دادن با لب های بسته است. انجام این کار کمی عجیب است، اما با تمرین، به خوبی توانسته ایم آن را پایین بیاوریم.) من و آرناو در ابتدای سال در گرجستان تک در حال تحصیل CS بودیم، بدون هیچ تجربه‌ای در گفتار یا حس کردن بی‌صدا. ما هر دو سازنده بومی هوش مصنوعی و کاربران قدرتمند Wispr Flow بودیم. چیزی که ما را آزار می‌داد این بود که نمی‌توانستیم از این ابزارها در کتابخانه (یا دفتر) یا در عموم استفاده کنیم.

در Stanford’s TreeHacks در ماه فوریه، تصمیم گرفتیم مضحک ترین چیزی را که از نظر فنی می توانستیم به آن فکر کنیم بسازیم. ما درباره AlterEgo، یک سیستم گفتار بی صدا از آزمایشگاه رسانه MIT خوانده بودیم، و می خواستیم آن را در 36 ساعت بازسازی کنیم. ما یک نمونه اولیه ساختیم و الکترودهای EMG را روی صورتم چسباندیم: https://drive.google.com/file/d/1mwhv5HZMz3UTevdrgwS5O7g2jWV... ما آن را به یک نوع کار در سطح حرف به روشی بسیار نابهنجار رساندیم. برنده شدن در هکاتون به اندازه کافی خوب نبود، اما ما را متقاعد کرد که همه چیز را وارد کنیم.

اولین باری که بدون اینکه کسی متوجه شود جمله ای را تایپ کردم، جادوی فناوری را احساس کردم. ما به سرعت متوجه شدیم که EMG (خواندن سیگنال های الکتریکی ماهیچه ها) کار نمی کند: - تغییر سیگنال در اثر تعریق - تداخل الکتریکی - تنوع مکان - مهمتر از همه، هیچ کس نمی خواهد الکترودها را به صورت خود بچسباند!! بنابراین ما به RF روی آوردیم و عینکی را که اکنون می بینید ساختیم. آنها امواج رادیویی مشابه بلوتوث را منتشر می کنند که از صورت شما عبور می کند. همانطور که از روی زبان، لب ها و کام نرم عبور می کنند، با دهان بی صدا تعدیل می شوند.

ما مدل‌های پایه را روی این داده‌ها آموزش می‌دهیم تا این آشفتگی‌ها را در متن رمزگشایی کنیم. علیرغم تحقیقات آکادمیک قبلی، تحقق این امر یک چالش مهندسی بزرگ بود. ابتدا یک پشته حسگر RF بسیار کم نویز ساختیم. سپس مجبور شدیم آنتن‌ها را طوری قرار دهیم که میدان‌های آن‌ها حداکثر با مفصل‌کننده‌ها همپوشانی داشته باشند. اولین تلاش ما برای عینک به طور کامل شکست خورد، بنابراین ما به عادت های قدیمی بازگشتیم و آنتن ها را روی صورت خود چسباندیم: https://drive.google.com/file/d/1ks0dS0eZiTV9EqSFsyB_w5BBjpc...

از آنجایی که چسباندن آنتن ها به طور مداوم در یک نقطه و زاویه سخت بود، ما این دکل سر عجیب اما موثر را برای نگه داشتن آنها در جای خود ایجاد کردیم: https://drive.google.com/file/d/1rhzNFpdDzr7oHk0isFY70dkoV4C... این کار کرد، اما واضح است که هنوز محصولی نبوده است. بنابراین ما در شبیه سازی عمیق کار کردیم تا عینک هایی طراحی کنیم که بتوانند آنتن ها را نگه دارند. که اکنون با آنتن‌های تعبیه‌شده در قاب‌ها، به طراحی ما تبدیل شده است. زمانی که متوجه شدیم یک سیگنال وجود دارد، مانع بعدی تعمیم بین کاربران بود. آناتومی صورت هر کس، و در نتیجه الگوهای سیگنال RF، بسیار متفاوت است.

ما راه‌حل‌های الگوریتمی را امتحان کردیم، اما متوجه شدیم که تنها اهرم این است که داده‌های پیش‌آموزشی را به‌شدت مقیاس کنیم. پس این کاری است که ما انجام دادیم. ما در دفترمان غرفه‌هایی برپا کردیم و به مردم پول دادیم تا اعلان‌های عینک ما را بخوانند تا مدل‌هایمان را از قبل آموزش دهند. این یک منحنی مقیاس‌بندی زیبا ایجاد کرد، با کاهش سریع خطاها چون مجموعه داده‌ها و عملکرد متقابل کاربر واقعا قانع‌کننده شد (همانطور که در ویدیوی بالا مشاهده می‌کنید، دیو فقط یک کالیبراسیون کوتاه 20 جمله‌ای داشت). ما همیشه در مورد ساختن چیزها از اصول اولیه شنیده ایم اما قبل از این هرگز آن را درک نکرده ایم.

سعی کردیم با آن از بالا به پایین برخورد کنیم اما کاملا شکست خوردیم. تنها زمانی که ما هر جزء (آنتن، الکترونیک، ML) را به اصول آن برای درک و بهینه سازی آن تقسیم کردیم، توانستیم آن را به خوبی کار کند. در طی چند ماه آینده، ما به تحقیق و توسعه ادامه می‌دهیم تا نمونه اولیه عینک خود را به محصولی شیک در وب‌سایت خود تبدیل کنیم و در سه ماهه اول 2027 ارسال کنیم. همچنین مجموعه داده‌های خود را برای بهبود عملکرد در موارد لبه افزایش می‌دهیم. برای هر کسی که عاشق دیکته صوتی است اما از استفاده از آن در اطراف افراد متنفر است، ما پیش‌سفارش‌ها را برای اولین دسته 500 دستگاهی خود با 200 دلار تخفیف در قیمت نهایی باز کرده‌ایم.

تخصیص به سرعت در حال اتمام است، پس از https://subvocal.co/preorder مال خود را دریافت کنید!

آدرس نظرات: https://news.ycombinator.com/item?id=50340088

امتیاز: 262

# نظرات: 184