پروژه Subvocal؛ عینک هوشمندی که کلمات اداشده در سکوت را به متن تبدیل می‌کند

ابزارهای مبتنی بر صدا و دستیارهای هوش مصنوعی به بخش مهمی از جریان کاری توسعه‌دهندگان تبدیل شده‌اند. با این حال، استفاده از دستورات صوتی در محیط‌های عمومی مانند کافه‌ها، کتابخانه‌ها یا دفاتر کار اشتراکی همیشه امکان‌پذیر نیست. پروژه Subvocal تلاشی جذاب از سوی بنیان‌گذاران آن در Y Combinator است تا این محدودیت را با ترکیب سخت‌افزار سفارشی و یادگیری ماشین حل کند.

ایده اولیه و مسیر پرماجرا

سازندگان این پروژه در دوران تحصیل در دانشگاه، از ابزارهای دیکته صوتی استفاده می‌کردند اما از عدم امکان استفاده از آن‌ها در مکان‌های ساکت کلافه بودند. آن‌ها با الهام گرفتن از پروژه‌های تحقیقاتی دانشگاهی در زمینه تشخیص گفتار صامت، کار خود را با الکترودهای EMG برای خواندن سیگنال‌های الکتریکی عضلات صورت آغاز کردند. با این حال، الکترودها چالش‌های زیادی داشتند؛ از جمله حساسیت به عرق، تداخل الکتریکی، تغییرات محل قرارگیری و از همه مهم‌تر، عدم تمایل کاربران به چسباندن الکترود به صورت خود!

این مشکلات تیم سازنده را مجبور کرد رویکرد خود را تغییر داده و به سراغ فناوری RF یا امواج رادیویی بروند.

جزئیات فنی و معماری سخت‌افزار

سیستم فعلی بر پایه یک عینک هوشمند طراحی شده است که به شکل زیر کار می‌کند:

• انتشار امواج رادیویی: عینک امواج رادیویی ضعیفی مشابه بلوتوث ساطع می‌کند که از صورت کاربر عبور می‌کند.
• مدولاسیون توسط اعضای گویایی: وقتی کاربر کلمات را به‌صورت بی‌صدا و زیرلب ادا می‌کند، این امواج هنگام عبور از زبان، لب‌ها و کام نرم دچار تغییر و مدولاسیون می‌شوند.
• داده‌برداری و مدل‌های پایه: سیگنال‌های دریافتی به مدل‌های هوش مصنوعی تزریق می‌شوند تا این اغتشاشات را به متن تبدیل کنند.

مهندسی این پشته سخت‌افزاری کار ساده‌ای نبوده است. تیم سازنده ابتدا با یک استک حسگر RF با نویز بسیار پایین شروع کرد و آنتن‌ها را طوری قرار داد که بیشترین هم‌پوشانی را با ارگان‌های گویایی داشته باشند. از آنجایی که طراحی اولیه روی فریم عینک شکست خورد، آن‌ها ابتدا از چسباندن آنتن‌ها روی صورت و ساخت یک هدست عجیب برای ثابت نگه داشتن زاویه آن‌ها استفاده کردند تا در نهایت توانستند آن را درون فریم عینک جاسازی کنند.

یکی دیگر از موانع بزرگ، تعمیم‌پذیری بین کاربران مختلف بود. از آنجا که آناتومی صورت هر فرد متفاوت است، الگوهای سیگنال RF نیز تغییر می‌کنند. برای حل این مشکل، آن‌ها با راه‌اندازی غرفه‌هایی در دفتر کار خود و استخدام افراد برای خواندن متون با عینک، حجم داده‌های پیش‌آموزش (Pretraining) مدل را به‌شدت افزایش دادند تا منحنی خطا کاهش یابد.

چرا این پروژه برای مهندسان اهمیت دارد؟

این پروژه نشان‌دهنده چالش‌های مهندسی ساخت سخت‌افزارهای مدرن هوش مصنوعی است. در حالی که نرم‌افزار بخش بزرگی از کار را انجام می‌دهد، چالش اصلی در لایه فیزیکی (سخت‌افزار RF، آنتن‌ها و کاهش نویز) قرار دارد. علاوه بر این، بحث‌های جامعه Hacker News نشان می‌دهد که توسعه‌دهندگان به شدت به دنبال ابزارهای مشابه متن‌باز (مانند پروژه‌هایی که روی لب‌خوانی تمرکز دارند) هستند تا بتوانند در سکوت و در فضای کاری مشترک به کدنویسی ادامه دهند.