Il riconoscimento vocale oggigiorno funziona piuttosto bene quando la voce è scandita chiaramente e non c’è rumore di sottofondo, ma fallisce miseramente se chi parla si mangia un po’ le parole, ha un accento molto marcato oppure si trova in un ambiente rumoroso. Se poi si tratta di una voce che canta, accompagnata e magari coperta da tanti strumenti, non c’è niente da fare.
Ma pochi giorni fa la società OpenAI, già nota per altri prodotti di intelligenza artificiale di cui ho parlato in questo blog, come DALL-E per la generazione di immagini, ha rilasciato Whisper, che è un software di intelligenza artificiale capace di superare queste limitazioni, diventando abile quanto una persona nel decifrare le parole di una conversazione anche in contesti rumorosi.
Per esempio, Whisper è in grado di riconoscere le parole pronunciate in varie lingue, dette a grandissima velocità e registrate con bassa qualità, cantate in una canzone K-Pop o dette con un forte accento, come negli esempi che trovate sul sito di Whisper.
L’azienda ha addestrato Whisper alimentandolo con 680.000 ore di audio abbinato alle trascrizioni corrispondenti in 98 lingue differenti. Oltre a riconoscere il parlato in condizioni difficili, è anche in grado di fornirne una traduzione in inglese abbastanza dignitosa.
Whisper è stato rilasciato come prodotto open source, libero e gratuito, per cui chiunque lo può scaricare e installare liberamente e lo può anche modificare. Richiede un computer piuttosto potente, e i suoi creatori avvisano che il modo in cui Whisper analizza il parlato può a volte fargli “riconoscere” parole che in realtà non ci sono, per cui è sempre necessaria una revisione attenta da parte di una persona. Ma lo sviluppo esplosivo di questi software di intelligenza artificiale dovrebbe far riflettere molto attentamente chiunque faccia trascrizioni per lavoro. Forse dovrà cominciare a pensare a come riorganizzare il proprio lavoro per diventare revisore esperto anziché dattilografo.
Ci sono anche implicazioni più profonde e rivoluzionarie, che è necessario considerare ogni volta che un procedimento che prima era oneroso diventa semplice e automatizzato: se diventa possibile trascrivere enormi quantità di parlato a costo praticamente nullo e il costo dei supporti di registrazione è altrettanto trascurabile, diventa possibile per esempio automatizzare la sorveglianza di massa.
Diventa possibile registrare l’audio di tutte le telefonate di un intero paese e trascriverle tutte integralmente, per poi cercare eventuali nomi o parole di interesse o per riconoscere le singole voci, anche a distanza di tempo. C’è chi sospetta che alcuni governi abbiano già questo tipo di capacità, ma con Whisper potrebbe averle anche uno staterello relativamente squattrinato.
Pensando ad applicazioni meno controverse, invece, un riconoscimento vocale automatizzato con le capacità di Whisper permetterebbe di trasformare in testo, a costi ben più abbordabili di quelli attuali, gli enormi archivi dei programmi radiofonici e televisivi storici e renderli accessibili anche a chi ha difficoltà di udito oltre che ai linguisti, agli storici o a chiunque abbia semplicemente il desiderio di ritrovare una battuta o una dichiarazione fatta da qualcuno magari qualche decennio fa.
E queste sono solo le possibilità che vengono in mente adesso; chissà quali verranno inventate quando questa tecnologia sarà diventata normale.
Fonti aggiuntive: Ars Technica, Slashdot.
