IBM Shoebox

IBM Shoebox — это раннее вычислительное устройство, способное распознавать произнесённые цифры и выполнять простые арифметические операции, представленное корпорацией IBM в 1962 году. Оно считается одним из первых в мире практических образцов системы распознавания речи и важным этапом в развитии взаимодействия человека с компьютером.

История

Разработка IBM Shoebox началась в конце 1950-х годов в исследовательской лаборатории IBM в Йорктаун-Хайтс (штат Нью-Йорк) под руководством инженера Уильяма К. Спратта. Целью проекта было создание устройства, которое могло бы понимать голосовые команды и реагировать на них без необходимости ввода данных с клавиатуры или перфокарт. Название «Shoebox» (с англ. — «обувная коробка») устройство получило за свои размеры, сопоставимые с коробкой для обуви того времени, что для эпохи больших вычислительных машин было компактным форм-фактором.

Публичная демонстрация IBM Shoebox состоялась на Всемирной выставке в Сиэтле (1962 год). На пресс-конференции в IBM Showroom в Нью-Йорке 7 февраля 1962 года устройство демонстрировало работу: оно распознавало произнесённые вслух цифры от 0 до 9 и команды («плюс», «минус», «умножить», «поделить», «итого») и отображало результат на дисплее или печатало его. По заявлениям IBM, аппарат мог понимать голос диктора, прошедшего предварительную тренировку.

Устройство и принцип работы

IBM Shoebox представлял собой аналогово-цифровую систему, работавшую на транзисторах (эпоха ламповых компьютеров только завершалась). Ключевыми элементами были:

• Микрофон: преобразовывал звуковые колебания голоса в электрический сигнал.
• Фильтры спектрального анализа: сигнал разделялся на 16 частотных полос (каналов) с помощью набора полосовых фильтров. Это было необходимо для выделения формант — характерных частотных пиков фонем.
• Схема распознавания (матрица сравнения): полученный спектральный шаблон сравнивался с эталонными шаблонами, предварительно записанными для каждого слова (цифры). Сравнение велось по 80-канальной амплитудно-частотной матрице.
• Логическая схема: после распознавания слова устройство интерпретировало его как число или оператор и передавало команду в арифметический блок. Поскольку цифры распознавались последовательно, сложение выполнялось как последовательное накопление (например, «три», «плюс», «семь», «итого» давало 10).
• Выходной интерфейс: результат выводился на цифровой дисплей (индикаторные лампы) и/или на принтер.

Система была однодикторной — требовалась предварительная настройка на голос конкретного человека. Каждое слово (цифра) «обучалось» путём произнесения его несколько раз диктором. После распознавания система могла выполнить команду, но была ограничена словарём в 16 слов (десять цифр и несколько команд). Скорость распознавания составляла около 1-2 секунд на слово.

Применение и значение

IBM Shoebox не получил сколько-нибудь широкого коммерческого распространения и остался демонстрационным прототипом. Однако его создание имело большое значение для науки и техники:

• Практическая демонстрация распознавания речи: устройство доказало, что компьютер может распознавать человеческую речь в реальном времени, хотя и в очень ограниченном объёме.
• Развитие технологий спектрального анализа и цифровой обработки сигналов: методы, использованные в Shoebox (разделение на частотные полосы, спектральное сравнение), легли в основу последующих поколений систем распознавания речи.
• Стимул для развития взаимодействия «человек-компьютер»: Shoebox показал, что голос может быть альтернативой клавиатуре в будущем, хотя для этого потребовалось несколько десятилетий.

Наследие IBM Shoebox видно в более поздних разработках IBM (например, система IBM Tangora в 1980-х годах) и в современных голосовых ассистентах (Siri, Google Assistant, «Алиса»), которые решают ту же задачу — управление устройством голосом.

Примеры и факты

• Помимо цифр, система могла распознавать слова «plus», «minus», «times», «divide», «total» (на английском языке).
• Чтобы избежать межсловного влияния и физических проблем с микрофоном, диктор должен был говорить каждое слово чётко и с паузой не менее 0,5 секунды.
• Устройство было собрано из дискретных транзисторов и резисторов, без каких-либо программируемых микросхем — вся логика была реализована на твёрдотельных логических элементах.
• В некоторых описаниях утверждается, что IBM продемонстрировала Shoebox на выставке в Сиэтле в присутствии 6 миллионов посетителей.

Критика и ограничения

Основным ограничением IBM Shoebox была его зависимость от диктора. Система не могла распознавать речь постороннего человека без переобучения. Кроме того, словарный запас был крайне мал и не допускал вариаций произношения (например, ударений или диалектных особенностей). Распознавание было устойчивым только к незначительному шуму. По современным меркам производительность была низкой, а стоимость устройства — высокой (оно потребляло значительное количество электроэнергии и требовало труда квалифицированных инженеров для настройки). Тем не менее, в контексте 1962 года это был технологический прорыв.

Источники

• IBM Archives: "IBM Shoebox" (спецификация и пресс-релизы 1962 года)
• Статья Уильяма К. Спратта "Voice Recognition: A Review" (IEEE Spectrum, 1970)
• Книга "The Computer Book: From the Abacus to Artificial Intelligence" (2018) — раздел о ранних системах распознавания речи
• Материалы Музея истории компьютеров (Computer History Museum, Маунтин-Вью) — экспонат IBM Shoebox