Hallo,
ich würde gerne so etwas wie Amazons Alexa bauen, aber ohne die Cloud.
Also ein Gerät, das per Sprachkommando einen Kontakt zu anderen
gleichartigen Geräten aufbauen kann, die in anderen Räumen stehen.
Man könnte damit per Sprache eine Verbindung vom Gerät im Keller zum
Gerät im Schlafzimmer aufbauen und damit kommunizieren, wie am Telefon
mit Freisprecheinrichtung. Man könnte auch Kommandos ausführen.
Natürlich ohne, dass jedes im Raum gesprochene Wort in irgendeine Cloud
geschickt und dort analysiert, sowie (frei nach Snowden) für immer
gespeichert wird. Die Spracherkennung müsste somit entweder vom Gerät
selbst verarbeitet werden, oder eben an ein zentrales Gerät im Haus
geschickt werden, welches die Spracherkennung erledigt.
Welche Mikrocontroller eignen sich zur Zeit gut für
Spracherkennungsfunktionen? Gibt es ggf. sogar freie Software (Module,
API) für Spracherkennungsfunktionen für manche Controller?
Gruss
Peter
Was hast du denn für Vorerfahrung?
Kennst du dich mit neuronalen Netzen (NN) und sowas aus?
Es gibt schon Gründe wieso man auf Cloud setzt: Rechenleistung.
Zwar braucht man nur zum Anlernen solch massive Ressourcen wie GPUs,
aber ganz ohne, ist die Anwendung des NN auch nicht.
Mit nem Mikrocontroler (der normalen Assembler o.ä. verabreitet) wird
das schwer bis unmöglich.
Für den Raspberry hat man vor kurzem, einen extra, dedizierten Chip für
Bild-verarbeitende NNs vorgestellt:
https://www.extremetech.com/electronics/259810-google-unveils-ai-powered-camera-kit-raspberry-pi
Leider ist das NN da nicht universell einsetzbar.
Durch einen Intel Nuc oder Vergleichbarem ist es zumindest denkbar, das
ganze mit Standard-Hardware halbwegs kompakt zu kriegen.
Wahrscheinlicher ist aber dass du noch ein paar Jahre warten musst, bis
NN-Co-Prozessoren integriert sind. Qualcomm hat sowas für ihre SoCs
bereits in der Entwicklung.
Intel und AMD werden auch irgendwann nachziehen.
Mozilla hat für PCs grade vor einem Monat, ein sehr interessantes
Projekt, inklusive trainierten Daten in Englisch vorgestellt:
https://www.heise.de/newsticker/meldung/Mozilla-Common-Voice-Sprachsteuerung-fuer-alle-und-ohne-Rueckgriff-auf-die-Cloud-3904454.htmlhttps://github.com/mozilla/DeepSpeech
Erfordert aber auch in der Anwendung ordentliche Rechenleistung. Das
Anlernen eines neuen NN (z.B. um das in Deutsch zu bekommen) kann man
als Privatperson fast vergessen.
Es gibt natürlich noch andere Systeme mit anderen Ansätzen als NN.
Dragon's Naturally Speaking ist da eine Beispielsoftware. Die gabs schon
in den Neunzigern. Die Erkennungsrate zumindest der alten Versionen ist
aber vergleichsweise (zu Alexa und Co.) bescheiden...
Es gibt auch stark beschnittene NNs die direkt auf nem Raspi laufen,
aber das geht eher richtung Spielerei als wirklich im Alltag hilfreiche
Geräte.
Zum Lernen und Experimentieren ist das natürlich nicht schlecht.
Ganz ohne Cloud ? Stell dir 20+ racks in deinen keller vollgestopft mit
nvidia tesla v100 ... dann kannst du anfangen die daten zu trainieren.
für die "anwendung" reicht dann ein performantes nuc
@Peter King:
Lass Dich von dem Schwachsinn, der hier verbreitet wird, nicht
irritieren. Ist halt blödsinniges Geschreibsel von Personen, die vom
Thema keine Ahnung haben.
Für den Einstieg was Leichtes:
https://www.youtube.com/watch?v=gZkwvSX0_Os
oder
https://www.youtube.com/watch?v=znuUm5vbSpI&feature=youtu.be
Apropos:
> Es gibt schon Gründe wieso man auf Cloud setzt
Ja, um die Daten von geistig einfach Strukturierten kostenlos
abzugreifen.
Ist wie mit den Glasperlen und den Eingeborenen damals...
Du unterstellst mir keine Ahnung zu haben?...
Mein Praktikumsprojekt war es ein NN aufzusetzen.
Was du verlinkt hast, sind in etwa die Spielereien an die ich auch
Dachte.
Des weiteren, lass mal die Paranoia im Aluhut stecken.
Alex G. schrieb:> Du unterstellst mir keine Ahnung zu haben?...
Er unterstellt dir das nicht. Du hast tatsächlich keine Ahnung.
> Des weiteren, lass mal die Paranoia im Aluhut stecken.
Das ist keine Paranoia. Die sind wirklich hinter uns her. Nur du merkst
es nicht.
Hinter uns her mit ihren Produkten und Schnäppchen, was?
Hinter unserem Geld vieleicht, aber wette dein Arbeitgeber der dich
bezahlt, versucht auch Geld zu erwirtschaften ;)
Man sollte sich selbst nicht so extrem wichtig nehmen, wenn man mich
fragt, und das Leben genießen. Das schöne an der Wirtschaft ist dass man
unterm Strich doch zusammenarbeitet.
Die Politik ist es was Menschen auseinander treibt.
Lasst uns lieber wieder Glühwein schlürfen und den Thread nicht weiter
richtung OT abdriften...
TestX schrieb:> Ganz ohne Cloud ? Stell dir 20+ racks in deinen keller vollgestopft mit> nvidia tesla v100 ... dann kannst du anfangen die daten zu trainieren.
In OS/2 V4 von 1996 war eine Spracherkennung enthalten. Die
funktionierte zwar nicht sprecherunabhängig, sondern musste kurz
angelernt werden, aber immerhin. Ein damals verbreiteter PC-Prozessor
war der Pentium mit 90 oder 133 MHz.
Ein Äquivalent zu deinen 20 Nvidia-Racks existierte damals nicht.
A. K. schrieb:> Ein Äquivalent zu deinen 20 Nvidia-Racks existierte damals nicht.
PS: Eine einzige Tesla V100 hat je nach Betrachtung: 15-100 TFLOPS. Der
schnellste Supercomputer von 1996 hatte 220 GFLOPS.
Oh weh was wird hier wieder geschrieben. Spracherkennung gibts schon
seit jahren auf einfachen pcs und es gibt sogar stromspahrende module
fertig zu kaufen.
LEUTE LEUTE :-)))
Alex G. schrieb:> Du unterstellst mir keine Ahnung zu haben?...> Mein Praktikumsprojekt war es ein NN aufzusetzen.
Wow, toll! Dann meinst Du also, dass Du jetzt ein
IT-Spracherkennungsexperte bist?
Empfehlung: Trainiere mal Dein eigenes NN auf Textverständnis. Peter
King suchte was einfaches. Bedingungen an die Genauigkeit oder an
Sprecherunabhängigkeit hat er nicht gestellt. Auch hat er nicht
gefordert, dass
> Was du verlinkt hast, sind in etwa die Spielereien an die ich auch> Dachte.
Wieso sind das Spielereien? Die funktionieren, und das auch im
professionellen Bereich.
> Des weiteren, lass mal die Paranoia im Aluhut stecken.
Hat mit Paranoia nichts zu tun, Apple oder Google sagen doch selber,
dass sie die Daten brauchen, um sie kommerziell zu verwerten. Auch hier
mein Tip:
Trainiere Dein eigenes NN...
Andreas Müller schrieb:> Empfehlung: Trainiere mal Dein eigenes NN auf Textverständnis. Peter> King suchte was einfaches. Bedingungen an die Genauigkeit oder an> Sprecherunabhängigkeit hat er nicht gestellt. Auch hat er nicht> gefordert, dass
... die Spracherkennung nicht trainiert werden muss.
Jups schrieb:> Oh weh was wird hier wieder geschrieben. Spracherkennung gibts schon> seit jahren auf einfachen pcs und es gibt sogar stromspahrende module> fertig zu kaufen.
Nicht seit Jahren sondern seit Jahrzehnten:
https://en.wikipedia.org/wiki/Timeline_of_speech_and_voice_recognitionhttps://www.itbusiness.ca/news/history-of-voice-recognition-from-audrey-to-siri/15008
Statt mikrocontroller, solltest du auch in Richtung DSP schauen, das
sind vereinfacht gesprochen µC mit Hardwaremultiplizierer. Der macht für
langsame controller die Verwendung von Audiofiltern einfacher.
Spezielle Neuronale netze Hardware ist IMHO nicht nötig, wichtiger ist
der Speicheplatz für die kontextunterstützede Entscheidung, also ganze
Sätze erkennen statt nur einzelne Worte.
Wenn der Speicherplatz für diese Kontextdatenbank auf dem Controller zu
klein ist, brauchst du eine Verbindung zu einem Netzwerk auf dem diese
lagert. Diese datenbank enthällt dann eine "lange" Liste von ähnlich
klingenden Wörtern und die (kontextbezogenen) Wahrscheinlichkeit was da
gemeint sein könnte. Diese Wahrscheinlichenkeiten helfen bei der
Entscheidung in Anfrage von "Suche Bildern von Vögeln" und "Suche Bilder
beim vögeln" ;-)
Es gibt Leute, die tun's nicht unter einem Porsche und andere kommen
auch mit einam alten Käfer ans Ziel. Es gibt sogar ziemlich viele Ziele,
wo man mit einem Porsche schlichtweg gar nicht hinkommt.
Für das, was Du da vorhast, brauchst Du ordentlich Rechenpower.
Für das Verarbeiten von analogen Signalen - darum geht es hier ja -
würde ich einen flotten Prozessor, aus der Reihe der
Signalverarbeitungsprozessoren, suchen.
Die haben meist auch ein paar Extra-Befehle, die in diesem Bereich
benötigt werden.
Übrigens: Du solltest Dich vorher genau mit der Sprachstruktur, der
jeweiligen Zielsprache beschäftigen.
Der Mensch gibt meistens irgendwelche Laute von sich.
Du kannst aber nicht einfach ein paar Laute aus einem Satz herausklauben
um dann die Heizung abzuschalten. Auch die Rücknahme des Beispielbefehls
sollte verstanden werden, was auch gleich den Umfang des Ganzen
unterstreicht.
Ja ich weiß: Die Beispielbefehle wie: "Licht an" und "Licht aus" sind
recht einfach zu implementieren. Dann hört es aber auch schon meist auf.
Wie gesagt: Sphinx und ein wenig scripting, fertig. Habe damit vor ein
paar Jahren für meinen damaligen Arbeitgeber einen wunderbar
funktionierenden Prototypen gebaut. Und der hat nicht nur einfache
befehle wie "Licht an/Licht aus" umgesetzt, sondern hunderte Stunden
gesprochenen englischen Text nahezu fehlerfrei digitalisiert. Ohne dass
ich mich mit Spektranalyse und Hidden Markov rumschlagen musste und ohne
rackweise Rechenpower. Ein PC oder RPi reicht.
Alex G. schrieb:> Du unterstellst mir keine Ahnung zu haben?...> Mein Praktikumsprojekt war es ein NN aufzusetzen.>> Was du verlinkt hast, sind in etwa die Spielereien an die ich auch> Dachte.>> Des weiteren, lass mal die Paranoia im Aluhut stecken.
Ach wie süüüüß!
Ein Praktikant, der meint, weil er die Abkürzung NN kennt, wäre er
Spezialist für KI.
Lieber Praktikant, auch wenn deine Welt am Ende deines NN-Frameworks
aufhört, lass dir gesagt sein, dass die Rechenleistung der NNe bei der
SprachERKENNUNG kaum eine Rolle spielt. Die Feature-Extraction dagegen
erfordert DSP, GPU oder eine halbwegs performante CPU. Beim Training
verschieben sich die Verhältnisse etwas, aber das ist beim Use Case des
TEs ja nicht das Problem.
Ich wünsche dir noch ein schönes Praktikantenleben. Was für Praktika
hast du seit dem NN-Projekt denn noch absolviert? Bist du inzwischen
Senior-Praktikant, oder musst du immer noch für die ganze Abteilung
Kaffee kochen?
Wozu braucht Spracherkennung scheinbar die Cloud ?
Naja, Leute stellen eine Dienstleistung zu Verfuegung und haetten dafuer
gerne ein paar Sprachsamples ... wie soll eine Firma auf Spracherkennung
weiterkommen, ohne viele Sprachsamples ?
Alles klar ?
Es gibt Gratis-Online-sprachkurse. Weshalb sind die gratis ? Weil die
Firma herausfinden moechte wie man effizient lernt. Und dazu benoetigt
sie Samples, viele Samples. Laborratten, quasi.
Alles klar ?
C. A. Rotwang schrieb:> Statt mikrocontroller, solltest du auch in Richtung DSP schauen, das> sind vereinfacht gesprochen µC mit Hardwaremultiplizierer.
Also das ist mit Sicherheit eines der ungeeignetsten
Unterscheidungsmerkmale. Den Hardwaremultiplizierer haben ja heutzutage
schon schwache 8-Bit-Controller meistens eingebaut...
Ich empfehle den Artikel zu DSPs hier im Forum!
Hallo,
ich wollte hier keinen Streit anzetteln mit meiner Frage.
Ich bin selbst von Beruf Informatiker. Ich habe sogar auf einem privaten
Cluster bei mir im Keller mit einer einfach programmierten KI
experimentiert. D.h. ich weiß da schon wovon ihr redet und ich kann es
auch durchaus beurteilen.
Elektronik läuft seit den 90ern so ab und an als Hobby nebenbei.
Von selbst Haus mit Elektrik ausgestattet und geplant, bis kleinere IoT
Geschichten umgesetzt z.B. mit dem ESP8266 nen Briefkastensensor oder
einen Rauchmelder.
Für Spracherkennung, die auf die Stimme(n) des/der Benutzer angelernt
wird, reicht theoretisch ein Raspi.
Es gab schon vor 10 Jahren Software für x86 Architekturen, die auf
damaliger Hardware gut lief. Damit ließ sich der PC mit Sprache steuern.
Wurde damals oft bei Behinderten eingesetzt.
Daher ist die Cloud an sich nur wegen der Rechenleistung definitiv für
Spracherkennung nicht notwendig.
Ich weiß, dass es für einige Architekturen freie Libs geben soll, welche
einfache Kommandos al la "Computer Licht an / Computer licht aus"
ermöglichen sollen.
Alexa besteht aus einem sehr impotenten Prozessor. Da bleibt kein
anderer Weg übrig, als das aufgenommene Audiospektrum an eine Zentrale
Stelle - die Cloud - zu schicken. So wie ich informiert bin, schafft das
Ding gerade das Wort "Alexa" selbst zu erkennen. Der Rest danach geht in
die Cloud.
Ja, das sehe ich als ein extremes Problem an und finde es schlimm, dass
sogar nach Snowden, darüber gelächelt wird.
Dieser Mann hat sein Leben versaut, um der Gesellschaft aufzuzeigen, was
sie als Aluhut-Theorien abgetan hat. Leider wusste er nicht, dass die
Gesellschaft aus 99,9% Idioten besteht, die darauf schxxxen werden und
genau so weiter machen werden, wie davor. Dafür habe ich großen Respekt
vor ihm. Aber genau aus obigen Gründen hätte ich mir mein Leben nicht
versaut.
Doch um zum Thema zurück zu kehren. Ich dachte, Jemand hätte hier schon
mal was ähnliches gemacht oder wüsste eine gut nutzbare freie Lib für
Spracherkennung und die passenden Prozessoren dazu, dann hätte ich an
den Erfahrungen gerne teil genommen.
Trotzdem danke für Eure Antworten. Sie bringen mich in Jedem Fall ein
Stück weiter.
Und fetzt Euch nicht weiter. Es ist schließlich Weihnachten.
Grüße
Peter
Peter King schrieb:> Ich dachte, Jemand hätte hier schon> mal was ähnliches gemacht oder wüsste eine gut nutzbare freie Lib für> Spracherkennung und die passenden Prozessoren dazu, dann hätte ich an> den Erfahrungen gerne teil genommen.
Na dann, jetzt weißt du es.
Was zum Henker hat das mit Snowden zutun?
Die NSA oder die US-Regierung ist nicht daran interessiert was du mit
deiner Hausautomation laberst >_>
Vieleicht unter ganz bestimmten Umständen wird nach irgendwelche
Stichworten gefiltert, aber auch das ist unwahrscheinlich denn
Verbrecher o.ä. setzen diese Geräte halt nicht ein.
Anzeichen dass sich irgendwie die US-Regierung solche Mittel einsetzt,
um politische Gegner auszumachen, hat der Typ nirgends aufgedeckt!
Geschweige denn im Ausland.
Also was genau soll man befürchten, was einem das wert sein sollte,
seine eigene Lebensqualität einzsuchränken?
Des weiteren, auch wenn ich damit vieleicht zurecht mit Negativepunkten
gehauen werde (lol) - ganz nüchtern betrachtet bedeutet seine Tat aus
deinem genannten Grund nicht viel.
Es gibt Menschen die sich FÜR Nazi-Organisationen, ihr Leben versaut
haben!
Wer Held und wer Verbrecher/Verräter ist, kommt immer darauf an, welcher
Seite man angehört...
Hey, NN-Praktikant und KI-Papst,
Alex G. schrieb:> Also was genau soll man befürchten, was einem das wert sein sollte,> seine eigene Lebensqualität einzsuchränken?
Wie bitteschön schränkt die Nicht-Nutzung von Alexa denn die
Lebensqualität ein?
Das geht doch nur, wenn man eh schon ein armseliges Leben führt.
Du tust mir leid!
Andreas Müller schrieb:> C. A. Rotwang schrieb:>> Statt mikrocontroller, solltest du auch in Richtung DSP schauen, das>> sind vereinfacht gesprochen µC mit Hardwaremultiplizierer.>>> Also das ist mit Sicherheit eines der ungeeignetsten> Unterscheidungsmerkmale. Den Hardwaremultiplizierer haben ja heutzutage> schon schwache 8-Bit-Controller meistens eingebaut...
Nö, das ist das gängigste gelehrte Unterscheidungsmerkmal zwischen DSP
und General Purpose processor. Schau mal in Lehrbücher, dort wird es
ausführlicher als Vorhandensein eine Multiply-ADD Operation beschrieben
und damit begründet das die Audioalgorithmen wie FIR etc auf
Skalarprodukte und damit multiply-add rückführbar sind.
http://www.cosy.sbg.ac.at/~rkutil/dsp04/dsp.pdf
Auch beim Alexa-processor, dem TI DMS3730, werden die
Hardware-multiplizier als Kernelement der DSP-Engine hervorgehoben: "Two
Multipliers Support Four 16 x 16-Bit or Eight 8 x 8-Bit Multiplies
(16-Bit result) "
DSP haben noch ein paar andere Spezialstrukturen wie parallelen
Addressdecrement, bitreverse Adressing, saturated rounding etc aber der
Hardwaremultiplizierer ist der mit der grössten beschleunigung (1 takt
statt 10+), aber auch der mit einem hohen Bedarf an Chipfläche (deshalb
"fehlt(e) der multiplier in klassischen controllern).
Und ja, mit dem Hardwaremultiplizierer kommen die µC in den Bereich der
"damals" DSP vorbehalten war. Allerdings wird sich keiner mit einer 8
bit Quantisierung bei Audiodaten zufrieden geben.
Peter King schrieb:> Alexa besteht aus einem sehr impotenten Prozessor. Da bleibt kein> anderer Weg übrig, als das aufgenommene Audiospektrum an eine Zentrale> Stelle - die Cloud - zu schicken. So wie ich informiert bin, schafft das> Ding gerade das Wort "Alexa" selbst zu erkennen. Der Rest danach geht in> die Cloud.
Nö, der prozessor ist recht potent,
https://de.ifixit.com/Teardown/Amazon+Echo+Teardown/33953. Von
algorithmus her ist eine Datenweiterleitung in das amazon-Rechenzentrum
nicht nötig, zum Ausführen der Bestellung und Gnerierung von
Nutzerprofilen und darauf angepasste Marketingkampagnen schon.
Alex G. schrieb:> Die NSA oder die US-Regierung ist nicht daran interessiert was du mit> deiner Hausautomation laberst >_>
Man kann die Daten aber möglicherweise verkaufen (oder an befreundete
Firmen weitergeben), so als "Küchen Talk CDs". Die werden dann
ausgewertet, wenn man sich irgendwo bewirbt, einen Kredit braucht oder
eine Versicherung abschließen will. Eine Art Führungszeugnis++
Aber du hast ja nichts zu verbergen ...
MfG Klaus
C. A. Rotwang schrieb:> Nö, das ist das gängigste gelehrte Unterscheidungsmerkmal zwischen DSP> und General Purpose processor. Schau mal in Lehrbücher, dort wird es> ausführlicher als Vorhandensein eine Multiply-ADD Operation beschrieben
Falsch. Schau Du Dir mal den Unterschied zwischen einem
Hardware-Multiplizierer und einer MAC-Einheit an. Du hast oben von einem
Hardware-Multiplizierer geschrieben.
Im Übrigen bieten die hier so beliebten Cortex-M4 (und auch M7)
ebenfalls eine Single-Cycle-MAC-Einheit sowie SIMD-Befehle.
Keiner!
Man nimmt hierfür Dinge wie den Raspberry PI, ein i.MX6-Board oder einen
Industrie-PC.
Darauf tut man Linux und sucht sich eine Spracherkennungssoftware.
Warum?
- Spracherkennung braucht sehr viel Rechenleistung
- Viel Speicher
- Eine Ethernet-Stack
- sehr komplexe Software
- Aber wenig Peripherie
- und hat keinerlei harte Echtzeitanforderung.
Da ist ein Microcontroller nur sehr schlecht geeignet.
Ein System mit Prozesor und Betriebssystem eignet sich dafür umso besser
- das bringt schon von Haus aus viele Dinge mit, die man brauchen kann.
Filesystem, Audiorecording, dynamische Speicherverwaltung und so weiter.
Ich denke, ein Raspberry PI ist ein guter Start.
Google sagt:
https://diyhacking.com/best-voice-recognition-software-for-raspberry-pi/
Hat mich 5s gekostet, das zu finden...
Peter King schrieb:> Alexa besteht aus einem sehr impotenten Prozessor. Da bleibt kein> anderer Weg übrig, als das aufgenommene Audiospektrum an eine Zentrale> Stelle - die Cloud - zu schicken. So wie ich informiert bin, schafft das> Ding gerade das Wort "Alexa" selbst zu erkennen. Der Rest danach geht in> die Cloud.>> Ja, das sehe ich als ein extremes Problem an und finde es schlimm, dass> sogar nach Snowden, darüber gelächelt wird.>> Dieser Mann hat sein Leben versaut, um der Gesellschaft aufzuzeigen, was> sie als Aluhut-Theorien abgetan hat. Leider wusste er nicht, dass die> Gesellschaft aus 99,9% Idioten besteht, die darauf schxxxen
Entschuldige, aber die primäre Aufgabe von Geheimdiensten war es, ist
es, und wird es auch bleiben, Informationen zu beschaffen. Man mußte
schon ziemlich naiv sein, anzunehmen, daß die Geheimdienste aller
Staaten nicht alles dafür tun würden, die Informationsflut im Internet
zu nutzen. Jeder konnte, nein: mußte das wissen. Snowden verdanken wir
nur, daß wir heute die Namen und die Grundlagen der verwendeten
Techniken einer Seite kennen.
Dabei mache ich mir über die us-amerikanischen Geheimdienste sogar noch
die wenigsten Sorgen, ehrlich gesagt. Denn am Ende sind die nämlich
immer noch Institutionen eines demokratischen Rechtsstaats. Daß dessen
Demokratie nach Naivlingen wie G. W. Bush und Obama und mit dem
aktuellen "Präsidenten" in einem erbärmlichen Zustand ist: geschenkt.
Aber der Rechtsstaat scheint da noch immer ganz gut zu funktionieren,
wie zum Beispiel die Gerichtsurteile gegen Trumpels Einreisedekrete
beweisen.
Tatsächlich mache ich mir da viel mehr Sorgen über die imperialistischen
und militärischen Aktivitäten chinesischer und russischer Führer. Das
geht mit Putlers propagandistische Trollfabriken, der Unterstützung von
rechts- und linksextemen Parteien und Propagandisten, territorialen,
kriegerischen und imperialistischen Aktivitäten Putlers in Moldawien,
Georgien und der Ukraine los und endet nicht mit den Aktivitäten Chinas
in den Territorien seiner Nachbarstaaten und dem afrikanischen
Kontinent. Und ehrlich: weder Rußland noch China sind auch nur
ansatzweise Rechtsstaaten, und schon gar keine Demokratien. Die USA sind
keineswegs ohne Fehl und Tadel, aber wenn ich die Wahl hätte, in den
USA, Putistan oder China zu leben, wähle ich jederzeit immer die USA --
sogar unter dem Trumpel.
Was Edward Snowden angeht, bin ich immer noch unsicher, ob er ernsthaft
hehere Motive hat(te) oder nur ein gekaufter Verräter ist .. oder sogar
beides: jemand, der zunächst hehere Motive hatte und sich dann in einer
Situation der Ausweglosigkeit verkauft hat .. Ich kenne ihn nicht und
erlaube mir daher kein Urteil darüber, ob er ein großer Dummkopf oder
vielleicht sogar ein böswilliger Verräter ist. Er und seine Story haben
einen merkwürdigen Geruch, da bleibe ich misstrauisch. Leute zu kaufen,
gehört schließlich zum Kerngeschäft jedes Geheimdienstes.
Mr. Big schrieb:> C. A. Rotwang schrieb:>> Nö, das ist das gängigste gelehrte Unterscheidungsmerkmal zwischen DSP>> und General Purpose processor. Schau mal in Lehrbücher, dort wird es>> ausführlicher als Vorhandensein eine Multiply-ADD Operation beschrieben>>> Falsch. Schau Du Dir mal den Unterschied zwischen einem> Hardware-Multiplizierer und einer MAC-Einheit an.
Nö, richtig, schau in die Lehrbücher, schau in FPGA-Datenblätter, bspw
in die Beschreibung der DSP-Slices der FPGA's wie das
https://www.xilinx.com/support/documentation/user_guides/ug479_7Series_DSP48E1.pdf
Kern eines DSP ist der Hardware-Multiplizierer. Er ist nicht die einzige
beschleunigende Ressource, aber die mit dem grössten Impact. Rechne dir
einfach mal die Takte das bspw 16 Tap FIR mit Software-Multiplikation
benötigt und eins mit MAC-Unit
> Du hast oben von einem> Hardware-Multiplizierer geschrieben.
Ja, weil es der der grösste block ist(oder 'war' wenn man die caches
heute mitbetrachtet) und ein Accumulator aka Adder bereits zur
Grundausstattung eines GeneralPurpose-Processor gehört. Es ist nicht der
einzige Block der aus einem Prozessor einen optimalen/schnellen DSP
macht, das habe ich auch nicht behauptet. Du kannst dir auch gerne die
ersten DSP's von anno dunnemals anschauen, Hauptunterschied ist immer
das Vorhandensein eines Hardware-multiplizierers:
http://www.computerhistory.org/siliconengine/single-chip-digital-signal-processor-introduced/> Im Übrigen bieten die hier so beliebten Cortex-M4 (und auch M7)> ebenfalls eine Single-Cycle-MAC-Einheit sowie SIMD-Befehle.
Ja von der sogenannten DSP-Unit, die gerade deshalb so heisst.
Md M. schrieb:> Ochje schrieb:>> Hat mich 5s gekostet, das zu finden...>> Ein paar s mehr und du hättest den thread lesen können.
Achso?
Mr. Big (Gast) schrieb:>https://www.nxp.com/support/developer-resources/ha...
Mal ehrlich: Solche Dinge setzt man nur ein, wenn man wirklich MUSS. Aus
Gründen des Stroverbrauchs, oder Platzgründen.
Ich denke, im Allgemeinen ist man mit einem richtigen PC oder Raspberry
PI viel einfacher dabei. Wegen der von mir genannten Gründe.
Ochje schrieb:> Ich denke, ein Raspberry PI ist ein guter Start.>> Google sagt:> https://diyhacking.com/best-voice-recognition-software-for-raspberry-pi/>> Hat mich 5s gekostet, das zu finden...
Zitat aus dem von Dir verlinkten Artikel:
> How Does it Work?>> The software being described here uses Google Voice and speech APIs. The> voice command from the user is captured by the microphone.This is then> converted to text by using Google voice API.
Zum Thread-Thema:
Vermutlich macht es wirklich mehr Sinn, die eigentliche Spracherkennung
etc. nicht auf der Alexa-artigen Eigenbau-Hardware auszuführen, sondern
auf einem zentralen Server - aber eben nicht bei einem ominösen
Datenkrake-Cloud-Server von Google oder Amazon, sondern halt einem vglw.
potenten eigenen Server im eigenen Haus, auf dem dann eine Software a la
Mozilla DeepSpeech die Spracherkennung usw. usw. zentral für den ganzen
Haushalt übernimmt.
Wie bei Alexa/Google Home müsste das Alexa-artige Endgerät dann nur die
Aktivierungssequenz erkennen, und würde ansonsten relativ dumm nur
Audiostreams an den zentralen Server weiterleiten/von diesem empfangen.
Und die Erkennung der Aktivierungssequenz könnte man theoretisch so
simpel gestalten, dass sie auch auf vglw. schwachbrünstigen
Mikrocontrollern funktioniert; theoretisch denkbar wäre ja z.B., dass
die Aktivierungssequenz gar kein Wort a la "Alexa" ist, sondern eine
kurze Tonfolge, die man pfeift, und die vom Mikrocontroller per
einfacher FFT/Frequenzspektrum-Analyse erkannt wird.
Joachim S. schrieb:> Zum Thread-Thema:> Vermutlich macht es wirklich mehr Sinn, die eigentliche Spracherkennung> etc. nicht auf der Alexa-artigen Eigenbau-Hardware auszuführen, sondern
auf einem zentralen Server
Nein, Spracherkennung braucht keine verteilte Rechenpower,
Spracherkennung kann locker auf einen Einzelplatz-Rechner laufen, der
nicht mal mit dedizierter Signal Processing Rechenpower ausgerüstet.
Dragon NaturallySpeaking liefert seit 20 Jahren den Beweis, das
Spacherkennung auch auf Büro-PC's läuft:
https://de.wikipedia.org/wiki/Dragon_NaturallySpeaking
Oder Luftfahrtindustrie, die schon aus Sicherheitsgründen nicht auf eine
Lösung setzen kann, die auf eine 100% stabile Kommunikationsverbindung
angewiesen ist:
http://www.davi.ws/avionics/TheAvionicsHandbook_Cap_8.pdf
Und Spracherkennung ist gerade auf Latenzfreie Reaktion angewiesen um
praktikabel zu sein, eine Hausnummer sind so 200 ms in der die Erkennung
abgeschlossen sein muß um natürliche Sprache zu verarbeiten. Ich
bezweifle das 200 ms ausreichen um den Audiostream zu digitalisieren und
über Hausnet ins Internet zu routen, dort auf die Serverfarm zu lenken ,
zu analysieren und die Antwort zurückzu senden.
Google hat mit Chromebook unfreiwillig aufgezeigt das das Konzept "The
network is the computer" schon für simple Aufgaben wie Office und
Photoshop mangelhaft ist und die Arbeitszeit nicht verkürzt.
Ferner bedeudet eine stetige schnelle breitbandige Internetverbindung zu
mindestens bei den Datentarifen in deutschland, das man das Programm nur
solange einsetzen kann bis die mobile Flat aufgebraucht ist. Dann kann
die Speechregognition nur an Geräten einsetzen die eine wirkliche
Flatrate bieten, also daheim.
C. A. Rotwang schrieb:> Joachim S. schrieb:>>> Zum Thread-Thema:>> Vermutlich macht es wirklich mehr Sinn, die eigentliche Spracherkennung>> etc. nicht auf der Alexa-artigen Eigenbau-Hardware auszuführen, sondern> auf einem zentralen Server>> Nein, Spracherkennung braucht keine verteilte Rechenpower,> Spracherkennung kann locker auf einen Einzelplatz-Rechner laufen
Von "verteilter Rechenpower" habe ich doch gar nicht geredet, sondern
nur von einem "zentralen Server" (der lokal im eigenen Netzwerk steht,
und in der Regel wohl tatsächlich ein gewöhnlicher Einzelplatz-Rechner
sein wird).
Und dass es grundsätzlich sehr wohl möglich ist, die Spracherkennung
direkt auf einem Alexa-ähnlichen Endgerät durchzuführen, bestreite ich
doch auch gar nicht - ich vermute lediglich, dass der
Alexa/Google-Home-Ansatz, die Spracherkennung etc. nicht auf den
jeweiligen Endgeräten, sondern auf einem eigenen zentralen Server
durchzuführen, unter'm Strich letztlich mehr Sinn macht.
> Und Spracherkennung ist gerade auf Latenzfreie Reaktion angewiesen um> praktikabel zu sein, eine Hausnummer sind so 200 ms in der die Erkennung> abgeschlossen sein muß um natürliche Sprache zu verarbeiten. Ich> bezweifle das 200 ms ausreichen um den Audiostream zu digitalisieren und> über Hausnet ins Internet zu routen, dort auf die Serverfarm zu lenken ,> zu analysieren und die Antwort zurückzu senden.
Alexa/Google Home tun meinem Verständnis nach aber doch genau das, und
sind doch durchaus praktikabel?
Davon abgesehen redest Du hier ja wieder davon, die Spracherkennung von
irgendeinem Internet-Cloud-Service erledigen zu lassen, während ich wie
gesagt meine, die Spracherkennung von einem zentralen und halbwegs
leistungsstarken Server im eigenen Netzwerk erledigen zu lassen.
Joachim S. schrieb:> C. A. Rotwang schrieb:>> Joachim S. schrieb:>>>>> Zum Thread-Thema:>>> Vermutlich macht es wirklich mehr Sinn, die eigentliche Spracherkennung>>> etc. nicht auf der Alexa-artigen Eigenbau-Hardware auszuführen, sondern>> auf einem zentralen Server>>>> Nein, Spracherkennung braucht keine verteilte Rechenpower,>> Spracherkennung kann locker auf einen Einzelplatz-Rechner laufen>> Von "verteilter Rechenpower" habe ich doch gar nicht geredet, sondern> nur von einem "zentralen Server" (der lokal im eigenen Netzwerk steht,> und in der Regel wohl tatsächlich ein gewöhnlicher Einzelplatz-Rechner> sein wird).
Das ist verteilte Rechenpower - der Server im Netzwerk.
> Und dass es grundsätzlich sehr wohl möglich ist, die Spracherkennung> direkt auf einem Alexa-ähnlichen Endgerät durchzuführen, bestreite ich> doch auch gar nicht - ich vermute lediglich, dass der> Alexa/Google-Home-Ansatz, die Spracherkennung etc. nicht auf den> jeweiligen Endgeräten, sondern auf einem eigenen zentralen Server> durchzuführen, unter'm Strich letztlich mehr Sinn macht.
Aus meiner Sicht macht es keinen Sinn die Audio daten zu irgendeinen
Compute-Server weiterzuleiten, wenn heute GHz-DSP locker in der Lage
sind die Spracherkennung vor Ort durchzuführen. Schau dir mal das
Datenblatt der Alexa-CPU an, das ist Leistungsklasse RasPi plus
integrierten DSP plus weiter Coprozessoren:
http://www.ti.com/product/dm3725>>> Und Spracherkennung ist gerade auf Latenzfreie Reaktion angewiesen um>> praktikabel zu sein, eine Hausnummer sind so 200 ms in der die Erkennung>> abgeschlossen sein muß um natürliche Sprache zu verarbeiten. Ich>> bezweifle das 200 ms ausreichen um den Audiostream zu digitalisieren und>> über Hausnet ins Internet zu routen, dort auf die Serverfarm zu lenken ,>> zu analysieren und die Antwort zurückzu senden.>> Alexa/Google Home tun meinem Verständnis nach aber doch genau das, und> sind doch durchaus praktikabel?
Das bezweifle ich, Alexa ist mit einem sehr potenten DSP ausgerüstet, es
spricht vieles dafür das die Internetverbindung für die Spracherkennung
nicht nötig ist. Es gibt viele Beispiele dafür das Spacherkennung ohne
Serverbindung funktioniert, die Aussage das die Internetverbindung nötig
wäre ist m.E. ein Marketing-Trick um Ahnungslosen Kunden einen
Dauerlauscher unterzuschieben.
> Davon abgesehen redest Du hier ja wieder davon, die Spracherkennung von> irgendeinem Internet-Cloud-Service erledigen zu lassen, während ich wie> gesagt meine, die Spracherkennung von einem zentralen und halbwegs> leistungsstarken Server im eigenen Netzwerk erledigen zu lassen.
Ob Heim-Server oder Server im Internet stehen zu haben ist hinsichtlich
der latenz nicht gross anders. Bei beiden müssen der Stream in Paket
zerlegt und geroutet werden.
--
Ich seh grad, da gibt es ein projekt das alexa statt mit dem Internet
mit einem RaSpi auf dem die Amazon speech software läuft, verbindet:
https://github.com/alexa/alexa-avs-sample-app
Unbeachtet der Sinnhaftigkeit Spacherkennung von einem Cortex-A8 (Alexa)
auf einen anderen Cortex-A7 (RasPi) auszulagern könnte das ein
Experiment in Richtung "private" Spracherkennung sein. Wenn man Amazon
und seinen eigenen Fähifkeiten in sachen Netzwerksicherheit vertraut.
@C. A. Rotwang:
Du willst es wohl nicht verstehen. Du hast geschrieben:
> Statt mikrocontroller, solltest du auch in Richtung DSP schauen, das> sind vereinfacht gesprochen µC mit Hardwaremultiplizierer.
Nach Deiner Definition sind also MSP430, AVR, CortexM also DSPs.
Soso...
Ich habe nur geschrieben, dass das Vorhandensein eines
Hardware-Multiplizierers nicht als Unterscheidungsmerkmal taugt. Schon
MSP430er haben MAC-Einheiten auf dem Chip, ebenso die M4/M7, das taugt
also auch nicht.
> Nö, richtig, schau in die Lehrbücher, schau in FPGA-Datenblätter, bspw> in die Beschreibung der DSP-Slices der FPGA's wie das> https://www.xilinx.com/support/documentation/user_...> Kern eines DSP ist der Hardware-Multiplizierer. Er ist nicht die einzige> beschleunigende Ressource, aber die mit dem grössten Impact. Rechne dir> einfach mal die Takte das bspw 16 Tap FIR mit Software-Multiplikation> benötigt und eins mit MAC-Unit
Und? Ich habe nie behauptet, dass das nicht wichtige Elemente eines DSPs
sind. Aber sie taugen nicht zur Unterscheidung, da - siehe oben - viele
MCs sowas auch haben. Und genau das hast Du ja behauptet.
> http://www.computerhistory.org/siliconengine/singl...
Was soll jetzt dieses uralte Beispiel hier? Ist die Zeit stehen
geblieben?
>> Im Übrigen bieten die hier so beliebten Cortex-M4 (und auch M7)>> ebenfalls eine Single-Cycle-MAC-Einheit sowie SIMD-Befehle.>> Ja von der sogenannten DSP-Unit, die gerade deshalb so heisst.
Na und? Sind die CortexM deswegen keine Mikrocontroller mehr?
Ach, stimmt ja, nach Deiner Definition sind das ja DSPs...
C. A. Rotwang schrieb:> Das ist verteilte Rechenpower - der Server im Netzwerk.
Nein das nennt sich Auslagerung. Verteilt impliziert, dass mehrere
Rechner an einer Aufgabe arbeiten. Du scheinst allgemein eine recht
eigene Auffassung von Definitionen zu besitzen. Deine DSP Definition ist
auch nicht mehr aktuell (oder ist ein Cortex m0 mit 32-cycle
multiplier ein DSP).
C. A. Rotwang schrieb:>> Alexa/Google Home tun meinem Verständnis nach aber doch genau das, und>> sind doch durchaus praktikabel?>> Das bezweifle ich, Alexa ist mit einem sehr potenten DSP ausgerüstet, es> spricht vieles dafür das die Internetverbindung für die Spracherkennung> nicht nötig ist.
Aber in der Praxis machen Alexa und Google Home nun mal genau das: Nur
das Aktivierungswort wird von der Alexa/Google Home-Hardware selbst
erkannt, danach wird der Audiodatenstrom einfach an die
Amazon/Google-Cloud durchgereicht und die eigentliche Spracherkennung
geschieht dort.
Das mag in der Tat keineswegs nötig sein, wie Du sagst - aber dass es
bei Alexa und Google Home so gemacht wird, beweist doch zumindest, dass
eben auch dieser Ansatz (trotz der damit verbundenen Latenzen etc.) aus
Nutzersicht sehr wohl praktikabel ist.
avr schrieb:> C. A. Rotwang schrieb:>> Das ist verteilte Rechenpower - der Server im Netzwerk.>> Nein das nennt sich Auslagerung. Verteilt impliziert, dass mehrere> Rechner an einer Aufgabe arbeiten.
Nö, distributed heist verteilt und inkludiert damit den Fall das die
Rechenaufgabe an einem Numbercruncher im Netzwerk weitergereicht wird.
Und dank multitheading und multicores kann ein einzelner "Rechner" schon
ein System aus meherenen Rechenkernen beinhalten. Davon abgesehen, ist
nicht gesagt das Alexa die Aufgabe an mehrere Rechner im Rechenzentrum
weiterleitet.
> Du scheinst allgemein eine recht> eigene Auffassung von Definitionen zu besitzen. Deine DSP Definition ist> auch nicht mehr aktuell (oder ist ein Cortex m0 mit 32-cycle> multiplier ein DSP).
Die Frage habe ich bereits fur einen M3 (single cycle multiplier)
beantwortet und es ist nicht meine eigene definition sondern die die man
in den üblichen Lehrbüchern nachlesen kann. Mit hardware multiplizierer
ist übrigens ein single cycle multiplizierer gemeint. Den itterativen
multiplier des Cortex-M0 als hardware-multiplizierer zu bezeichnen ist
schon a bisserl dumm-dreist. BTW, es gibt beide Optionen beim M0: 1
cycle und 32 cycle multiplikation:
http://infocenter.arm.com/help/topic/com.arm.doc.ddi0432c/BABBFCGC.html
Erstere schiebt den M0 deutlich in Richtung DSP-Funktionalität.
Sheeva P. schrieb:> Tatsächlich mache ich mir da viel mehr Sorgen über die imperialistischen> und militärischen Aktivitäten chinesischer und russischer Führer. Das> geht mit Putlers propagandistische Trollfabriken, der Unterstützung von> rechts- und linksextemen Parteien und Propagandisten, territorialen,> kriegerischen und imperialistischen Aktivitäten Putlers in Moldawien,> Georgien und der Ukraine los und endet nicht mit den Aktivitäten Chinas> in den Territorien seiner Nachbarstaaten und dem afrikanischen> Kontinent. Und ehrlich: weder Rußland noch China sind auch nur> ansatzweise Rechtsstaaten, und schon gar keine Demokratien.
Владимир, я же сказал, мы должны исключить Sheeva Plug!
Ich glaube, dass hier viele das Erkennen von Sprache mit dem Erkennen
des Sinnes eines gesprochenen Satzes/Textes verwechseln. Für Letzteres
braucht man Rechenpower und möglichst viele Zusatzinformationen.
Wenn man zum Beispiel in der Stadt ist und Google nach dem nächsten
Restaurant fragt, müssen auch Position, Öffnungszeiten und eventuelle
Vorlieben bekannt sein. Diese Informationen sind aber nicht lokal
sondern in der Cloud gespeichert, weil die Daten anderer in die
Auswertung mit einfließen. Außerdem hilft jede Nutzung dieser Dienste
bei der Verbesserung der persönlichen Suchergebnisse.
Wenn es nur um einfache Spracherkennung geht, reicht eine einfache
Sprach>Text Software und eine Auswertung des Satzes.
zB:
Eine Suche nach Begriffen wie Licht, Rollo, Fenster, nicht, aus, an,
runter, rauf, auf, ab, hoch, zu, neu, Kontakt, Termin, Zeit, löschen,
speichern, ...
Eine Sprachsteuerung kann sich jeder auf einem Pi bauen, einen
Assistenten nicht.
Joachim S. schrieb:> Das mag in der Tat keineswegs nötig sein, wie Du sagst - aber dass es> bei Alexa und Google Home so gemacht wird, beweist doch zumindest, dass> eben auch dieser Ansatz (trotz der damit verbundenen Latenzen etc.) aus> Nutzersicht sehr wohl praktikabel ist.
Was die Nutzer glauben und was Alexa und Google home in Praxis machen
ist zweierlei. Wenn ich überschlagmäßig die pingzeiten zum amazonserver
anschaue bspw. per http://www.cloudping.info/ bleibt nicht viel von den
200ms an rechenzeit übrig die ein potenter numbercruncher zum
beschleunigen des Netz-gerätes hat. Wenn man mehr Latenz akzeptiert, ok
aber das ist dann keine natürliche Sprache mehr.
Im Sinner einer technisch effizienten und die Privatsphäre schützende
Lösung sollte man Netzwerklösungen ausschliessen.Die Netzwerklösung
istm.E. die technisch aufwendigere und mit deutlichen Kundennachteile
verbundene. Wenn man die Spracherkennung nicht von den amazonserver
lassen machen will, dann sollte man m.E. zuerst anStandalonelösungen
denken.
> C. A. Rotwang schrieb:>>> Alexa/Google Home tun meinem Verständnis nach aber doch genau das, und>>> sind doch durchaus praktikabel?>>>> Das bezweifle ich, Alexa ist mit einem sehr potenten DSP ausgerüstet, es>> spricht vieles dafür das die Internetverbindung für die Spracherkennung>> nicht nötig ist.>> Aber in der Praxis machen Alexa und Google Home nun mal genau das: Nur> das Aktivierungswort wird von der Alexa/Google Home-Hardware selbst> erkannt, danach wird der Audiodatenstrom einfach an die> Amazon/Google-Cloud durchgereicht und die eigentliche Spracherkennung> geschieht dort.
Das bezweifle ich und es finden sich auch Funktionsbeschreibungen das
Alexa die Spracherkennung soweit vor Ort betreibt, das nur noch ein
kommando-String übrigbleibt, der dann weitergereicht wird.
Obwohl, aus Sicht von Amazon macht es schon Sinn sich die Aufzeichnung
zuzusenden, auch wenn eine Erkennung im Gerät selber möglich ist:
-man bindet die Geräteapp andie Amazon-Webservices und verdient so an
3rd party apps mit
-man kann aus dem recording Daten für ein Nutzerprofil ableiten
(Geschlecht, Alter, Trunkenheit (lallfaktor ;-),lokale zugehörigkeit
(Dialekt), Bildungsgrad (undeutliche Grammatik, falsche Wortbildung),
Soziale Umgebung (Hintergrundgeräusche).
Insofern kann es auch sein das Amazon schon die Analyse daheim macht,
obwohl es auch im Gerät möglich wäre. Es ist nicht immer die beste
Lösung für den Kunden die auf dem Markt angeboten wird.
PS1:
Danke für die vielen Anregungen bis jetzt, ich kling mich aber aus
diesem Thread aus un mich anderen Projekten zu widmen.
PS2: Hat zwar nichts mit technischen Aspekten zu tun, trotzdem ist
dieses Alxa-thematisierende Video sehenswert ;-):
https://www.youtube.com/watch?v=kty0xCgIYjA
Hallo Leute, ich habe mir jetzt nicht alles durchgelesen, aber ich
denke, dass man für so einen Anwendungsfall zwischen dem Training eines
NN und dem eigentlichen Programm unterscheiden sollte. Trainieren kannst
du locker auf einem PC mit Soundkarte und Micro. Wie du dann die
Berechnungen mit den Koeffizienten-Matrizen auf einem Kontroller
realisierst, ist eine ganz andere Frage. Natürlich brauchst du auch hier
eine Rechenleistung, die etwas mehr als LED-Blinken kann, aber wie
gesagt, die Aufgabe sollte auf jeden Fall geteilt werden!
Viel Spass, Rainer
Mir scheinen die wnigsten Poster hier eine Ahnung einer MAC Einheit in
derem Kontext zu kennen. In einem DSP, resp einem DSP aenlichen
controller ist eine MAC nicht einfach Multiply-Accumulate - fertig.
Nein. Das kann zB ein Arraypointer & Zaehler, DMA Kanal und eine MAC
Einheit sein. Der sage ich 'da array', 'da zaehler', 'da DMA kanal' und
der geht mit Multiply-Accumulate ueber das array, kostet mich keine
weitere instruktion. Oder ich habe ein Koeffizienten-Array, das wird mit
dem Daten Array, oder Datenstream Multiply-Accumuliert, ohne weiteres
zutun. Ein groesserer DSP hat davon mehrere Einheiten, die parallel
arbeiten koennen.
Ein blackfin (Analog Devices) kann vielleicht 800M MAC rechnen, mit
16bit, 32bit, 16bit complex Einheiten.
Ein Sharc (Analog Devices) kann vielleicht 1800M MAC rechnen. Eine 1k
Punkt FFT macht der in 5us.
Andere Hersteller von DSP schieben diese Zahlen nicht so in den
Vordergrund.
Die Rechenleistung reicht ganz sicher fuer Spracherkennung on board in
echtzeit.
C. A. Rotwang schrieb:>> Aber in der Praxis machen Alexa und Google Home nun mal genau das: Nur>> das Aktivierungswort wird von der Alexa/Google Home-Hardware selbst>> erkannt, danach wird der Audiodatenstrom einfach an die>> Amazon/Google-Cloud durchgereicht und die eigentliche Spracherkennung>> geschieht dort.>> Das bezweifle ich und es finden sich auch Funktionsbeschreibungen das> Alexa die Spracherkennung soweit vor Ort betreibt, das nur noch ein> kommando-String übrigbleibt, der dann weitergereicht wird.
Dann sind diese Funktionsbeschreibungen entweder falsch, oder schlecht
bzw. missverständlich formuliert. Tatsache ist: Lediglich das Signalwort
am Anfang ("Alexa"/"Computer"/whatever) wird lokal auf der
Alexa-Hardware erkannt, der Rest der Audiodaten wird an die
entsprechende Cloud weitergereicht und dort verarbeitet etc. Schon die
Spracherkennung findet also in der Cloud statt. Ausser der Erkennung des
Signalwortes leiten Alexa & Co. also relativ stupide nur
Audio-Datenströme an die firmeneigenen Server weiter.
> Obwohl, aus Sicht von Amazon macht es schon Sinn sich die Aufzeichnung> zuzusenden, auch wenn eine Erkennung im Gerät selber möglich ist:> [...]
Eben, Google und Amazon sind aus diversen Gründen einfach so sehr an den
Sprach-Samples interessiert, dass sie sich schon deshalb die
Roh-Audio-Daten zusenden lassen und speichern. Selbst wenn die
Spracherkennung völlig problemlos lokal auf den Alexa-Endgeräten möglich
wäre: Irgendeine fadenscheinige Begründung würden die immer finden,
warum Alexa & Co. stattdessen die Roh-Audio-Daten an die firmeneigene
Cloud senden MUSS ;-)
