گفتار بی‌صدا چیست و چرا به فناوری جدید نیاز داریم؟

وقتی صحبت می‌کنیم، مغز فرمان‌های حرکتی لازم را برای زبان، لب‌ها، فک و دیگر بخش‌های مرتبط با تولید گفتار صادر می‌کند. در گفتار معمولی، این حرکت‌ها با جریان هوا و تولید صدا همراه می‌شوند. اما هنگام حرکت‌دادن لب‌ها بدون ایجاد صدای قابل شنیدن، بخشی از الگوهای حرکتی گفتار همچنان وجود دارند.

فناوری تشخیص گفتار بی‌صدا تلاش می‌کند همین نشانه‌های فیزیکی را دریافت کند. در این روش، دستگاه الزاماً به شنیدن صدای کاربر نیاز ندارد؛ بلکه اطلاعاتی از حرکت عضلات، تغییر شکل پوست یا لرزش‌های بسیار ظریف اطراف دهان و فک جمع‌آوری می‌کند.

این فناوری با لب‌خوانی تصویری تفاوت دارد. در لب‌خوانی، دوربین تصویر لب‌ها را ثبت می‌کند و نرم‌افزار از روی حرکت ظاهری آن‌ها کلمات را حدس می‌زند. اما در برخی سامانه‌های گفتار بی‌صدا، حسگرها به‌جای تصویر، سیگنال‌های فیزیکی یا الکترونیکی مرتبط با حرکت‌های گفتاری را بررسی می‌کنند.

عینک‌های تبدیل گفتار بی‌صدا چگونه کار می‌کنند؟

برای تبدیل حرکت‌های صورت به متن، ابتدا باید نشانه‌هایی از فرایند گفتار ثبت شوند. سپس الگوریتم‌های پردازش سیگنال و مدل‌های هوش مصنوعی این اطلاعات را تحلیل می‌کنند تا الگوی حرکتی به کلمه یا فرمان قابل‌فهم تبدیل شود.

روش‌های مختلفی برای انجام این کار وجود دارد و همه عینک‌های در حال توسعه از فناوری یکسانی استفاده نمی‌کنند.

۱. تشخیص فعالیت الکتریکی عضلات

در روش الکترومایوگرافی یا EMG، حسگرها فعالیت الکتریکی عضلات را ثبت می‌کنند. هنگام حرکت‌دادن زبان، فک و بخش‌های اطراف دهان، الگوهای مشخصی از فعالیت عضلانی ایجاد می‌شود. سامانه می‌تواند این سیگنال‌ها را برای تشخیص الگوهای گفتاری بررسی کند.

این روش در پژوهش‌های مختلف برای ساخت ابزارهای ارتباطی پوشیدنی بررسی شده است. بااین‌حال، قرارگرفتن الکترودها روی پوست، ثبات محل حسگر و تفاوت‌های فیزیکی میان افراد می‌تواند بر عملکرد آن تأثیر بگذارد.

۲. استفاده از حسگرهای حرکتی و فاصله‌سنج

برخی نمونه‌های پژوهشی به‌جای اندازه‌گیری مستقیم فعالیت الکتریکی عضلات، تغییرات ظریف پوست و حرکت فک را ثبت می‌کنند. حسگرهای فروسرخ یا حسگرهای حرکتی می‌توانند تغییر فاصله و حرکت بخش‌هایی از صورت را اندازه‌گیری کنند.

در یک پژوهش منتشرشده در سال ۲۰۲۴، سامانه‌ای مبتنی بر عینک و حسگرهای فاصله‌سنج فروسرخ برای تشخیص فرمان‌های بی‌صدا بررسی شد. پژوهشگران در آزمایش خود توانستند مجموعه‌ای از فرمان‌ها را با نتایج قابل‌توجه تشخیص دهند؛ بااین‌حال، این نتیجه به معنی آماده‌بودن فناوری برای تبدیل آزادانه هر مکالمه طولانی به متن نیست.

۳. استفاده از امواج رادیویی برای تشخیص حرکت‌های صورت

یکی از رویکردهای جدیدتر، استفاده از سیگنال‌های رادیویی یا RF است. در این روش، دستگاه امواج رادیویی کم‌توانی را به سمت صورت ارسال می‌کند و تغییرات بازتاب یا دریافت آن‌ها را هنگام حرکت عضلات و اجزای صورت تحلیل می‌کند.

از آنجا که حرکت‌های بسیار کوچک فک و زبان می‌توانند الگوی سیگنال دریافتی را تغییر دهند، الگوریتم هوش مصنوعی تلاش می‌کند این تغییرات را به کلمات مرتبط کند.

مزیت بالقوه این روش آن است که برای دریافت گفتار بی‌صدا الزاماً به دوربین و ثبت تصویر صورت نیاز ندارد. البته کیفیت عملکرد آن به طراحی آنتن‌ها، پردازش سیگنال، آموزش مدل و تفاوت‌های فیزیکی کاربران وابسته است.

Subvocal؛ نمونه‌ای از عینک‌های جدید تایپ بدون صدا

یکی از نمونه‌های جالب این حوزه، محصول شرکت Subvocal است؛ استارتاپی که عینک‌هایی برای تبدیل حرکت‌های بی‌صدای مرتبط با گفتار به متن توسعه می‌دهد. هدف این شرکت آن است که کاربر بتواند بدون صحبت‌کردن با صدای بلند، متن موردنظر خود را وارد رایانه کند.

طبق توضیحات شرکت، این عینک از حسگرهای رادیویی برای تشخیص تغییرات ظریف صورت استفاده می‌کند. کاربر کلمات را به شکل بی‌صدا ادا می‌کند و سامانه با کمک مدل‌های هوش مصنوعی، سیگنال‌های دریافت‌شده را به متن تبدیل می‌کند.

نکته قابل‌توجه این است که Subvocal اعلام کرده برای این روش به دوربین یا وب‌کم نیاز ندارد. بنابراین ایده اصلی محصول، تشخیص حرکت‌های مرتبط با گفتار از طریق سیگنال‌های رادیویی است، نه فیلم‌برداری از لب‌های کاربر.

سرعت ۲۰۰ کلمه در دقیقه؛ ادعایی که باید با احتیاط بررسی شود

Subvocal در معرفی محصول خود از توانایی تشخیص گفتار بی‌صدا با سرعت بیش از ۲۰۰ کلمه در دقیقه صحبت کرده است. این عدد در صورت تحقق می‌تواند برای ورود متن بسیار جذاب باشد؛ زیرا سرعت آن با تایپ سریع یا حتی برخی روش‌های دیکته صوتی قابل‌مقایسه خواهد بود.

بااین‌حال، باید میان عملکرد اعلام‌شده یک نمونه اولیه و نتیجه آزمایش مستقل روی محصول نهایی تفاوت قائل شد. سرعت تشخیص به‌تنهایی معیار کافی نیست؛ دقت متن، میزان خطا، عملکرد در جمله‌های طولانی، تشخیص نام‌ها و اصطلاحات تخصصی و توانایی اصلاح اشتباهات نیز اهمیت دارند.

قیمت و زمان عرضه Subvocal

بر اساس صفحه پیش‌سفارش شرکت، قیمت اولیه ویژه این محصول ۴۹۹ دلار اعلام شده است. برای رزرو، در حال حاضر ۱۹۹ دلار به‌عنوان بیعانه دریافت می‌شود و ۳۰۰ دلار باقی‌مانده در مرحله بعد پرداخت خواهد شد. شرکت اعلام کرده است که بیعانه پیش از پرداخت نهایی قابل بازگشت است.

زمان ارسال اولیه نیز برای سه‌ماهه نخست سال ۲۰۲۷ تخمین زده شده است؛ اما این تاریخ تضمین‌شده نیست و خود شرکت تأکید کرده که محصول همچنان در مرحله توسعه قرار دارد. پیش‌سفارش پولی فعلاً برای مشتریان دارای نشانی تحویل در ایالات متحده در دسترس است.

این فناوری چه تفاوتی با تایپ صوتی و لب‌خوانی دارد؟

در نگاه اول ممکن است عینک‌های گفتار بی‌صدا شبیه ابزارهای دیکته صوتی به نظر برسند؛ اما روش دریافت اطلاعات در آن‌ها متفاوت است. در تایپ صوتی معمولی، میکروفون صدای واقعی کاربر را ضبط می‌کند. در گفتار بی‌صدا، دستگاه تلاش می‌کند حرکت‌های مرتبط با تولید کلمات را بدون شنیدن صدای معمولی تشخیص دهد.

بنابراین، مزیت اصلی گفتار بی‌صدا این است که کاربر می‌تواند بدون ایجاد صدای قابل‌شنیدن، متن تولید کند. البته این مزیت زمانی ارزشمند خواهد بود که دستگاه در استفاده واقعی دقت، سرعت و راحتی کافی داشته باشد.

عینک‌های گفتار بی‌صدا چه کاربردهایی خواهند داشت؟

اگر این فناوری از مرحله نمونه‌های اولیه عبور کند و به محصولی قابل‌اعتماد تبدیل شود، می‌تواند در موقعیت‌های مختلفی کاربرد داشته باشد.

۱. نوشتن پیام در مکان‌های شلوغ

در مترو، اتوبوس، سالن انتظار یا محیط‌های عمومی، صحبت‌کردن با گوشی همیشه راحت نیست. عینک‌های گفتار بی‌صدا می‌توانند راهی برای نوشتن پیام بدون استفاده مداوم از صفحه‌کلید فراهم کنند.

۲. تایپ در کتابخانه و محیط‌های ساکت

در کتابخانه، کلاس درس یا اتاق مطالعه، حتی استفاده از فرمان صوتی ممکن است مزاحم دیگران باشد. ورود متن بدون تولید صدا می‌تواند برای چنین محیط‌هایی کاربردی باشد.

۳. نوشتن درخواست برای هوش مصنوعی

بسیاری از کاربران برای کار با ابزارهای هوش مصنوعی، درخواست‌های طولانی می‌نویسند. اگر عینک بتواند گفتار بی‌صدا را با دقت مناسب به متن تبدیل کند، نوشتن پرامپت‌ها و دستورهای پیچیده ممکن است سریع‌تر شود.

۴. افزایش دسترس‌پذیری

رابط‌های گفتار بی‌صدا می‌توانند در آینده برای برخی افرادی که در تولید گفتار معمولی محدودیت دارند، گزینه ارتباطی تازه‌ای فراهم کنند. البته میزان فایده آن به نوع محدودیت حرکتی یا گفتاری، سازگاری حسگرها و ارزیابی تخصصی بستگی دارد. این ابزارها را نباید بدون شواهد بالینی جایگزین تجهیزات کمک‌ارتباطی تأییدشده دانست.

۵. کار با رایانه بدون استفاده از دست

برنامه‌نویسان، نویسندگان و افرادی که مدت زیادی با رایانه کار می‌کنند، ممکن است از ورود متن بدون صفحه‌کلید استقبال کنند. برای مثال، می‌توان دستورهای کوتاه، یادداشت‌ها یا متن اولیه یک پیام را به‌صورت بی‌صدا وارد کرد و سپس با روش معمول آن را ویرایش کرد.

آیا این عینک‌ها جای صفحه‌کلید و میکروفون را می‌گیرند؟

احتمالاً نه در کوتاه‌مدت. صفحه‌کلید همچنان برای ویرایش دقیق، انتخاب بخش‌های متن، کار با میانبرها و ورود داده‌های ساختاریافته کاربرد زیادی دارد. از طرف دیگر، تایپ صوتی برای افرادی که در محیط خصوصی کار می‌کنند یا نیاز به تبدیل سریع گفتار طبیعی به متن دارند، همچنان گزینه‌ای ساده و در دسترس است.

عینک‌های گفتار بی‌صدا بیشتر می‌توانند یک روش ورودی مکمل باشند؛ روشی برای زمانی که دست‌ها آزاد نیستند یا صحبت‌کردن با صدای بلند مناسب نیست.

مهم‌ترین چالش‌های این فناوری چیست؟

تبدیل حرکت‌های ظریف صورت به زبان طبیعی کار ساده‌ای نیست. حتی اگر یک سامانه بتواند چند فرمان محدود را تشخیص دهد، تبدیل آزادانه جمله‌های طولانی و مکالمه‌های طبیعی به متن مسئله‌ای پیچیده‌تر است.

آیا عینک‌های گفتار بی‌صدا برای زبان فارسی هم کاربرد خواهند داشت؟

یکی از پرسش‌های مهم برای کاربران ایرانی، پشتیبانی از زبان فارسی است. تبدیل گفتار بی‌صدا به متن فارسی فقط به تشخیص حرکت‌های صورت محدود نمی‌شود. سامانه باید بتواند الگوهای حرکتی مرتبط با آواهای فارسی را یاد بگیرد و آن‌ها را با ساختار واژگان و جمله‌های این زبان تطبیق دهد.

تفاوت لهجه‌ها، تلفظ واژه‌های عربی و انگلیسی در مکالمه فارسی، نام‌های خاص و شیوه بیان افراد نیز می‌تواند بر دقت خروجی تأثیر بگذارد. علاوه بر این، نمایش درست حروف فارسی، نیم‌فاصله، نشانه‌گذاری و تشخیص واژه‌های مشابه اهمیت دارد.

در زمان بررسی این مقاله، پشتیبانی رسمی و تأییدشده Subvocal از زبان فارسی در مشخصات عمومی محصول اعلام نشده است. بنابراین نمی‌توان فرض کرد که این عینک از همان ابتدا برای تایپ فارسی آماده خواهد بود.

حریم خصوصی؛ آیا عینکی که حرکت صورت را می‌خواند نگران‌کننده است؟

وقتی دستگاهی قرار است حرکت‌های بسیار ظریف صورت را تحلیل کند، موضوع حریم خصوصی اهمیت زیادی پیدا می‌کند. حتی اگر عینک از دوربین استفاده نکند، داده‌های مربوط به حرکت عضلات و الگوهای گفتار می‌توانند اطلاعات حساسی درباره رفتار و ارتباطات کاربر در اختیار سامانه قرار دهند.

چند پرسش مهم پیش از استفاده از چنین محصولی باید پاسخ داده شوند:

• آیا سیگنال‌های حسگر فقط روی خود دستگاه پردازش می‌شوند یا به سرور ارسال خواهند شد؟
• آیا متن‌های تولیدشده و داده‌های خام حسگر ذخیره می‌شوند؟
• آیا اطلاعات برای آموزش مدل‌های هوش مصنوعی استفاده خواهند شد؟
• کاربر می‌تواند داده‌های ذخیره‌شده را مشاهده یا حذف کند؟
• آیا امکان فعال‌کردن و غیرفعال‌کردن تشخیص گفتار بی‌صدا به‌صورت دستی وجود دارد؟

شرکت Subvocal می‌گوید ورودی گفتار بی‌صدا بر اساس قصد کاربر و بیان عمدی کلمات طراحی شده است، نه تبدیل پیوسته هر فکر یا حرکت ناخودآگاه به متن. بااین‌حال، برای ارزیابی واقعی حریم خصوصی باید سیاست داده، شیوه پردازش، مدت نگهداری اطلاعات و کنترل‌های امنیتی محصول نهایی بررسی شوند.

آیا باید منتظر نسل جدید عینک‌های تایپ بدون دست بمانیم؟

اگر به فناوری‌های پوشیدنی و روش‌های جدید تعامل با هوش مصنوعی علاقه دارید، این حوزه ارزش دنبال‌کردن دارد. اما برای خرید، بهتر است تا زمان عرضه نسخه نهایی و انتشار بررسی‌های مستقل صبر کنید.

پیش از انتخاب چنین محصولی، چند معیار اهمیت ویژه دارند:

• دقت تبدیل گفتار بی‌صدا به متن در استفاده واقعی چقدر است؟
• آیا دستگاه از زبان و لهجه موردنیاز شما پشتیبانی می‌کند؟
• آیا با رایانه، گوشی و نرم‌افزارهای پرکاربرد سازگار است؟
• شارژدهی باتری برای استفاده روزانه کافی است؟
• وزن و طراحی آن برای استفاده چندساعته راحت است؟
• آیا امکان اصلاح سریع متن و مدیریت خطاها وجود دارد؟
• شرایط نگهداری داده‌ها و حفظ حریم خصوصی روشن است؟

جمع‌بندی؛ آیا آینده تایپ‌کردن بدون دست نزدیک است؟

عینک‌هایی که گفتار بی‌صدا را به متن تبدیل می‌کنند، یکی از مسیرهای جالب توسعه فناوری پوشیدنی هستند. این محصولات تلاش می‌کنند فاصله میان فکرکردن به یک جمله و واردکردن آن در رایانه را کوتاه‌تر کنند؛ بدون آنکه کاربر مجبور باشد با صدای بلند صحبت کند یا دائماً از صفحه‌کلید استفاده کند.

نمونه‌هایی مانند Subvocal نشان می‌دهند که این ایده در حال حرکت از محیط پژوهشی به سمت بازار مصرف‌کننده است. بااین‌حال، قیمت، زمان عرضه، دقت واقعی، پشتیبانی از زبان‌ها و کیفیت تجربه روزمره هنوز عواملی هستند که باید در نسخه نهایی بررسی شوند.

شاید در آینده برای نوشتن یک پیام، ثبت یادداشت یا پرسیدن سؤال از هوش مصنوعی دیگر نیازی به لمس گوشی نداشته باشیم. اما موفقیت این فناوری به یک ویژگی تبلیغاتی یا سرعت اعلام‌شده محدود نمی‌شود؛ عینک باید بتواند کلمات را دقیق تشخیص دهد، راحت باشد، حریم خصوصی را حفظ کند و در موقعیت‌های واقعی قابل‌اعتماد باقی بماند.