Naučiti mašinu da razume ljudski govor veoma je teško. Razmislite sami: svako od nas ima sopstveni način izgovora, svako ima svoju jačinu i boju glasa.
Pri običnom govoru mnogi gutaju pojedine zvuke ili ih vezuju, tako da se skoro neprimetno pretapaju jedni u druge. Mašine mogu da nauče da prepoznaju glas odredjene osobe, ali čim neko drugi progovori one se zbune. Ili mogu da prepoznaju samo odredjene komande. Ipak, približavamo se trenutku kada će svako moći da glasom diktira ne samo poslovna pisma već i bilo kakvu drugu vrstu teksta. Američka korporacija Aj-bi-em predstavila je ove nedelje svoju novu tehnologiju za razumevanje ljudskog govora koja ume da ”hvata“ razne zavrzlame u govoru, a što je još važnije da shvata kontekst u kome se govori. Na primer, ako nekome kažete ”pusti mi Glas Amerike,“ ta osoba će znati da želite da uključi radio prijemnik kako biste mogli da slušate ovaj program. Sadašnje mašine teško to mogu da razumeju. Ali novi softver Aj-bi-ema može sam da odredjuje kontekst govora kako ne biste morali da koristite strogo odredjene govorne strukture. Drugi softver razvijen je specifično za arapski jezik, kako bi radio i televizijske stanice mogle da što brže prevode vesti iz tog govornog područja. Za sada, prevod se obavlja za prosečno 4 minuta, sa tačnošću od 60 do 70 odsto. Aj-bi-em kaže da mu je cilj da softver za prepoznavanje ljudskog govora kroz pet godina dostigne ljudsko razumevanje.