Fragen zu Alexa

Anzeige

Habe mir die Anleitung mal angesehen. Es gibt eine passende "Skill" für Alexa, dann läuft das ohne Handy. Die "Skills" für Alexa sind wie Apps für ein Smartphone. Mit der Skill kann sich Alexa direkt per WLAN mit dem Gerät verbinden. Ob du jetzt mehrere damit verbinden kannst steht da nicht, im Gegenteil, da steht sogar noch die Einschränkung, dass du über Alexa im Moment nur Ein- und Ausschalten kannst. Dimmen oder Farbe wechseln ist noch nicht möglich, soll aber nachgeliefert werden. Es hängt also schlicht vom Entwicklungsstand der Skill ab, ob du mehrere betreiben kannst, und was du überhaupt machen kannst. Eines ist aber sicher, für den späteren Betrieb wird das Handy nicht benötigt. Alexa verbindet sich über die Skill und WLAN direkt mit dem Gerät.

 

Und du verstehst mich nicht wirklich, oder willst es nicht. . Ich habe Ansprüche als Konsument, ich sehe was technisch möglich ist, was nicht oder noch nicht und dass die Sprach"erkennung" noch in den Kinderschuhen beziehungsweise gar nicht vorhanden ist.

Wenn du meine Worte mit Gewalt uminterpretieren willst, bitte. Du solltest doch wissen, dass man ein Problem in viele kleine teilen soll. Und man muss nicht jedes Wort "verstehen" um Sprache zu digitalisieren. Du musst nur Phoneme verstehen. Und wenn das ganze in Phonemen vorliegt, musst du auch nicht jedes der Worte verstehen, sondern nur die Kommando- und Schlüsselwörter. Das Ding reagiert auf Ein und auf Lampe. Was du drumrum sagst, ist doch egal. Bei solchen Befehlen kann das verworfen werden. Und bei Anfragen die eine Eingabe woanders hin leiten, also Musik spielen oder Internetsuche oder so, wird das erkannte eben in das Suchfeld, die Playlist oder was auch immer geleitet, eventuell mit Rückfrage, ob das gehörte ohne "Tippfehler" erkannt wurde.

Google "analyisert" meine Wörter nicht. Die werden übersetzt in Buchstaben und diese Buchstaben an die Suchmaschine geleitet. Beim Sprachassistenten noch mit Hilfe von Schlüsselwörtern interpretiert. Und diese Übersetzung ist nichts anderes als eine Schrifterkennung auf Steroiden. Natürlich eine großartige informationstheoretische Leistung, aber genauso wie es nur eine begrenzte Art gibt, ein B zu schreiben, so dass es noch ein B ist, ist das bei der Übertragung von Lauten in Phonemen auch. Erschwerend kommt danach hinzu, dass es in der Sprache Homophone gibt.

Und ganz offensichtlich sind die Verfahren noch nicht so weit, dass sie ihre Systeme automatisiert Aussprache, Semantik, Grammatik, etc. lernen lassen können. Aber wenn das mal so weit ist, und es wird möglich sein, könnte man automatisiert alle häufig verwendeten Dialekte und Sprachen erlernen. Dass es möglich ist, beweisen die vielen Kinder jedes Jahr, die eine Sprache erlernen. (Als Kontrast: "unmöglich" in diesem Zusammenhang ist z.B. das Knacken bestimmter Verschlüsselungsverfahren oder eine optimale Berechnung eines NP Problems in P Zeit.)

Der Weg der derzeit wohl eingeschlagen wird, ist ähnlich der Handschriftenerkennung von damals. Die Leute konnten auf diesen Handhelds (Palmcomputer oder was alles war) eine Kurzschrift erlernen, bei welcher das Gerät die Unterschiede zwischen den Buchstaben besser erkennen konnte. Und bei Alexa und Co. werden den Leuten bestimmte Befehle und Aussprache antrainiert.

Nochmal. Es gibt zwei Arten von erkennen in diesem Zusammenhang. In Buchstaben, oder intern irgendwelche Phoneme, übersetzt werden, muss alles. Verstanden werden, muss nur das Schlüsselwort oder die Kombination bestimmter Schlüsselworte.

Diese magischen Kisten? Da sind kleine Gnome drin und die machen das alles schon. Sowas wie Mathematiker und Informatiker die neuronale Netze und Algorithmen zur selbstlernenenden Mustererkennung entwicklen oder Verfahren mit multidimensionalen Gittern benutzen können, um über den geringsten Abstand zu wichtigen Knotenpunkten nicht nur Übertragungsfehler, sondern auf einer höheren Ebene auch Tippfehler oder schlechte Aussprache abfangen könnten, sowas gibt es nicht, das kommt aus dem Reich der Mythen und Legenden.

Na wenn selbst du nicht in der Lage bist, aus meiner Schriftsprache Sinn zu entnehmen, habe ich da schon Zweifel. Der Knackpunkt ist, dass dieses Verfahren noch nicht exisiert oder ausgereift ist. Die "Aufgabe" von der ich redete, war nicht Ad Hoc Mundart zu verstehen, sondern eine Sprache automatisiert in die Datenbank zu klopfen. Wenn dann genügend lang Dialektler mit dem Ding reden, wird es auch diesen Dialekt verstehen. Und falls das mal wirklich ausgereift wäre, vielleicht kann so ein Ding auch Lautverschiebungen erkennen und anwenden.

Aber derzeit setzen die Anbieter ja darauf, dass die User sich dem Gerät anpassen, anstatt dass die Geräte den User und dessen Aussprache besser lernen.

 

Wenn das in einem Raum voller sprechender Leute funktioniert, bravo.

Hat jemand so eine Situation schonmal gehabt? Alexa in einem Zimmer, wo Party war oder so? Konnte man die da quer
durch den Raum ansprechen, war die auf Dauerblau oder musste man sie ausschalten, weil es so viele Fehlalarme gab?

Was passiert, wenn du Alexa, Deckenlampe Waschmaschine An sagst?

Und was bei Alexa, Waschmaschine Deckenlampe An? Oder allgemeiner, Alexa [egal] Deckenlampe [egal] An [egal] und Alexa, [egal] An [egal] Deckenlampe [egal]. egal kann leer sein. Dort wo ich Alexa in Aktion gesehen hatte, waren leider keine steuerbaren Smarthome Gimmicks, dass ich das hätte ausprobieren können.

Wäre interessant, ob der Skill/Alexa nur auf die Kombination Deckenlampe und An reagiert oder auf bekannte Phrasen. Und wieviel vor und nach der Phrase verworfen werden kann. Und was passiert, wenn man auf Amazon ein(e) Deckenlampe bestellt

 

Ich habe bei einer Party letztes Jahr den Echo Dot als Musikplayer verwendet, aber aus zwei Gründen habe ich das Gerät regelmäßig auf taub geschaltet. Zum einen hat sich bald jeder ständig neue Musik gewünscht. Unlimited war aktiviert, so war die Musikauswahl gewaltig, und jeder wollte irgendetwas probieren, und schauen ob dieses oder jenes Lied bekannt wäre. Das hat irgendwann nur noch genervt.
Zum anderen waren die Fehlalarme doch nicht unerheblich, von daher kann ich nur emfpfehlen Alexa auf Parties taub zu schalten.

Ich vermute die Antwort wird lauten dass ihr das Gerät "Deckenlampe Waschmaschine" nicht bekannt ist, selbst wenn sie beide einzeln kennt. Ein Gerätename kann durchaus zusammengesetzt sein, dann wird auch nach der Kombination gesucht. Ich habe zum Beispiel einen "Fernseher" und ein "Fernsehlicht". Beides wird sauber und zuverlässig unterschieden. Kurze einsilbige Worte sind am schwierigsten. Ich hatte mein Badezimmer früher als "Bad" bezeichnet, aber die Erkennunsquote von "Bad" war einfach zu gering. Einmal geändert zu "Badezimmer" und schon funktionierte alles wie gewünscht.

 

Wenn du nun also in dein Handy sprichst:"Hallo wie geht es" und dieser Text im Display erschienen ist, musste also nicht jedes Wort erkannt werden?

Und musste dein Handy sich nicht "einschränken" auf Deutsch, damit diese Sprachanalyse gelang?

Und wenn du nun in dein Handy sprichst:
"Take My Breath Away" (um bei einem Liedtext zu bleiben, den man über Alexa abrufen kann)

würde dann nicht Blödsinn auf dem Bildschirm erscheinen, weil es versucht "Deutsch" zu analysieren?
Text gegen Apple ergibt:
"Zeige mal Bruce Willis".

Das "erkannte" wird in das Suchfeld geleitet.

Nochmal, nach deiner Interpretation muss nicht alles erkannt werden. Das ist richtig wie bei einem Textadventure 1984 bei
-gehe (nach) norden (und) öffne (die) tür
ergibt für das Programm zwei Befehle, einmal "gehe norden" und ein anschließend, falls "norden" möglich war, "öffne tür"

oder eben unser Alexa Thema
-Lampe (weitere zu vernachlässigente Texte) an
ergibt eine eingeschaltete Lampe, so diese korrekt konfiguriert war und existiert.

das ist falsch bei
-Alexa, spiele "Total Eclipse Of The Heart"

während "spiele" als eine Anfrage an Amazon Music oder meinetwegen Spotify verstanden wird,
kann ohne vollumfängliche Auswertung sowohl testhalber einmal in Deutsch, in Englisch und sogar weiteren Sprachen nichts
vernünftiges an Amazon Music gesendet werden.

Versuche es selbst.
"Alexa, spiele "Total Eclipse Of The Heart" => Englisch, klappt.
"Alexa, spiele "Kreuzberger Nächte sind lang" => Deutsch, klappt.
"Alexa, spiele "Capri, c'est fini" => Französisch, klappt.

Laut deiner Angabe würden Buchstaben an Google gesendet.
Mache den Test.

Eingabe in Google:
"digitalfernsehen webseite"

Erste Fundstelle, unsere Lieblingsseite.

Eingabe in Google:
"d i g i t a l f e r n s e h e n w e b s e i t e"

Es wurden keine mit deiner Suchanfrage - d i g i t a l f e r n s e h e n w e b s e i t e - übereinstimmenden Dokumente gefunden.

Also ist es eine WORTerkennung und keine BUCHSTABEN- oder SCHRIFTerkennung.

Gern bin ich bei dir, dass zunächst anhand von Lauten versucht wird zu erkennen, welches Wort das einmal werden könnte.

Dazu wird jedenfalls kein Verfahren genutzt, welches du sicher nur exemplarisch mit "Hash" umschrieben hast.

Für ein simuliert Deutsch gesprochenes kurzes Hallo ergäbe sich etwa nur expemplarisch bei MD5
"Hallo"
"d1bf93299de1b68e6d382c893bf1215f"

Und nur für etwas länger betont natürlich
"Halloo"
"24b7059cb0f4df701401ddf854d770ee"

Das genaue Gegenteil muss berechnet werden, Ähnlichkeit oder hohe Kollisionswahrscheinlichkeit.

Ich glaube, ich hatte dein ursprünglichen Ansinnen vollumfänglich richtig verstanden, du schriebst:

"Aber dann muss er (oder "sie") auch funktionieren, wenn man normal spricht und oder flüstert oder ganz normal seinen Dialekt spricht."

Ich glaube wir entfernen uns vom Threadgedanken.

 

War auch leider die schlechteste Kombi. Eher interessant wäre die Kombi: Alexa, unbekannt Deckenlampe An unbekannt. Ob sich Alexa dann unsicher ist und nachfrägt, oder ob die Phrase Deckenlampe An den Nonsens außen rum ausblendet, weil das ein komplettes Kommando darstellt.

 

Ich vermute das hängt tatsächlich davon ab was andere sagen. Allgemein übliche Formulierungen werden mit der Zeit besser erkannt, es wird auch schon mal nachgefragt. Wenn ich sage "Alexa, Licht an", und ich befinde mich dabei im Wohnzimmer, dann kommt die Frage "Soll ich das Licht im Wohnzimmer einschalten?"
Als Antwort wird dann aber nur "Ja" oder "Nein" akzeptiert, und zu "Nein" darf man noch einen anderen Ort nennen. Was Sarkasmus angeht ist Alexa übrigens völlig immun. Würde ich also antworten "Nein, im Keller, was soll ich denn hier mit Licht" wäre die Antwort wahrscheinlich "Ich kann Keller nicht finden".

 

Nein. Außer es wurde so realisiert, dass nur bekannte Worte in Text gewandelt werden können. Das wäre aber nicht nötig und außerdem schon etwas umfangreich. Außerdem habe ich über die Google Suche auf meinem Handy geredet. Wenn ich da mit Sprache eingebe, statt zu tippen. Das akkustisch getippte muss dann noch interpretiert werden. Und wie gut Google da ist, sollte jedem bekannt sein.

Ja. Tut es. Außerdem Englisch. Vielleicht noch ein Teil französisch oder gar spanisch. Versuch mal auf deinem europäischen Handy eine japanische Phrase zu sprechen. Aber der Teil mit dem Einschränken kann nach, während und vor der Auswertung der Phoneme stattfinden. Durch meine Geo-IP und Systemeinstellungen schon vorher. Da kann man sogar zukucken, wie er während des Sprechens einer Phrase wie take my breath away die erkannte Sprache ändert.

Und genau das worüber ich geredet habe. Für Kommandos die eine Eingabe verlangen, muss die Eingabe nicht interpretiert, sondern nur ... transkribiert werden. Möglichst ohne Tippfehler.

. Tipp mal ganz langsam digitalfernsehen in die googleleiste. Du sendest in diesem Fall tatsächlich einzeln die Buchstaben und nach jedem Buchstaben weiß google mehr und kann genauer und genauer eine bekannte Suchanfrage generieren.

Türlich. Ist lange her, dass ich mich damit beschäftigt habe. Eine Menge wird mit eines Verfahrens auf eine kleinere Menge abgebildet. In meinem Wörterbuch ist das ein Hashverfahren. Im Alltag wird das Wort wohl eher für konkrete und "kleine" Zahlen verwendet. Bei Mustererkennung passiert aber im Grunde doch das gleiche: Aus einer beliebig großen Menge an Daten wird auf eine überschaubar kleine Menge an Information abgebildet. Überschaubar ist in dem einen Schritt auf vielleicht 1000 Phoneme, dann gefiltert auf vielleicht 1000 Schlüsselworte und alle Nicht-Schlüsselworte wenn man dann noch wollte auf vielleicht 2 000 000 Begriffe. Danach käme dann noch Grammatik und Sinn, was man in Zahl der Kombinationen lieber nicht ausdrücken sollte.

Eigentlich nicht. Wenn du das Wort Hallo auf eine Zahl abbildest, hast du ein Verfahren, mit dem du Worte auf Zahlen abbildest. Der aktive Wortschatz ist in der Größenordnung 10000. Du müsstest also alle Worte (durch Leerzeichen getrennte Buchstaben) auf Zahlen von 1-10000 abbilden. Nehmen wir nochmal 10000 dazu für alle anderen und unverständlichen Worte. Hallo ist ein häufiges Wort, also wird es in den unteren 10000 sein. Dein Verfahren muss nun so gut sein, dass kein oder kaum andere Worte auf die gleiche Zahl abgebildet werden. Wenn dein Verfahren nur exakt Hallo auf die Zahl von Hallo abbildet, ist es ... nicht geeignet für diesen Kontext. Aber es könnte auch alle üblichen Tippfehler und Lautmalereien auf die gleiche Zahl abbilden. Mit Ausnahme von anderen Worten die es auch gibt, wie z.B. Halo. Bei Sprache wird es einfacher und komplizierter zugleich, weil Halo spricht man mit langem a und Hallo mit kurzem a, aber Audiowellen sind nicht so einfach handhabbar, wie Text und Homophone verstehen auch Menschen nur mit Kontext.

Wenn ich mich recht entsinne, kann mit einem Hashverfahren auch eine kleinere Menge auf eine größere Menge abbilden. Das wird dann vermutlich in der Ausführung bei der Mustererkennung so ähnlich gemacht. Damit ähnliche Ausgangsdaten in der Nähe der gesuchten Informationen landen können. Aber tatsächlich, also konzeptuell, bildet man eine große Menge Daten auf eine kleine Menge Information ab.

Mein "Ansinnen" war, zum Ausdruck zu bringen, was nötig wäre, dass ich diese Technologie für vollumfänglich alltagstauglich und ausgereift betrachten würde . Das Zeug ist praktisch, es wird irgendwann super funktionieren, wie in der Science Fiction, denn es stellt keine Unmöglichkeiten wie Zeitreise dar. Das Konzept einer Technik, die menschliche Sprache kontextuell und akkustisch versteht, ist nicht so weit weg, wie eine echte künstliche Intelligenz. Und wenn das mal entwickelt wurde, dann kann man es auch auf einen Chip oder in eine Cloud pressen.

 

Das ist so nicht korrekt, die Verbindung ist mitnichten direkt (Understanding the Smart Home Skill API - Amazon Apps & Services Developer Portal):

 

Er gleicht mein Gesprochenes ab mit (vereinfacht) einer Datenbank an Wörtern versus Sprachmuster und versucht zu ermitteln, was das gewesen sein kann, und er kam zu dem Schluss aus meinem Beispiel, dass ich "Bruce Willis" meinte.

Wenn etwa Google einfach nur Buchstaben erkennt, warum erkennt es dann nicht
"Randeszaloy"

mit dem Suchergebnis
"Randeszaloy" und vermutlich keiner Fundstelle?

Hingegen sucht er einmal nach
"Landesstelle"
und selbst für mich nicht merklich anders gesprochen beim nächsten Versuch
"Run distaler"

dann wieder
"Hand ist alloy"

Er gleicht für mich jedenfalls gefühlt gegen Worte ab, die er meint, zu kennen.

Du vermutest, dass auch Spotify oder Amazon Music nicht mit echten Worten gefüttert werden.
Ich erwarte dann, dass mein genuschelter Titel
"Total Ecplise Of The Heart"

so gut "transkribiert" und eben nicht wirklich erkannt wird, dass ausgerechnet Spotify damit klar kommt,
Spotify wird aber schon versagen, wenn du
"Todal EcplisOf The Heart"

sendest, spätestens bei "Capricefini" (mein Franzöisches Beispiel) wird Spotify den Song nicht finden.

Ich muss also annehmen, dass meine Sprachergebnisse nochmal gegen Google (oder ähnliche Amazon Technik) gejagt werden, um letztendlich irgendwie Worte zu finden.

Es war deine Idee, Google lediglich mit Buchstaben zu füttern anstelle von Wörtern.
Daraufhin habe ich den Grundgedanken aufgegriffen, und die aus dem Wort "Digitalfernsehen Webseite" ermittelten Buchstaben gegen Google geschickt und es kommt nicht das raus, was du natürlich korrekt mit "tipp mal langsam" meinst.
Wenn ich aus Lauten einzelne Buchstaben generiere und diese demzufolge auch Einzeln an Google sende, ist das Ergebnis dasjenige, was ich dargelegt habe.

Dein Gedanke sei:
a) Ermitteln einzelner Buchstaben
b) Sende alle Buchstaben in einem Rutsch etwa an Google
c) Google macht das schon und findet daraus vollständige Sätze.

Probe:
"totaleclispeoftheheart" => aus meinem Alexa Musik Beispiel, Google wird mit "Meintest du: total ecplise of the heart" durchaus korrekt antworten. Damit können wir leben.

Der Gedankenansatz ist aber vielleicht nicht ganz optimal. Du kommst inital gefühlt vom Lesen eines Menschen.

Wenn ich vor mich hinnuschel, wird vermutlich eher etwas erkannt der Art:
"todelleklipsofehaat" - Die Gegenprobe mit Google versagt dann.

Würdest du vielleicht Alexa fragen (Achtung geschriebenes Deutsch)
"Alexa, spiele das Lied mit dem Text "Früh morgens wach ich auf 16 Uhr 10"
dann ist es leider scheinbar nicht so, dass dahinter exemplarisch eine geschickte Google Abfrage stehen kann der Art

fruemogenswachichaufsechzenurzen lyrics

also alle Buchstaben zusammen und "lyrics" als Stichwort für Google, da ich ja Alexa schon mitteilte, ich suche eine Textstelle.

Stattdessen wird geantwortet, sie habe keinen Song gefunden mit
"Früh morgens Nachricht auf 16 uhr 10" gefunden.

Woher kommt aber das Wort NACHRICHT und AUF, wenn es nicht als (vermeintlich erkanntes ganzes) Wort schon durchs System gelaufen ist.

Auch dieser ja an sich gute Denkansatz geht von Wörtern aus, wohingegen du an sich Buchstaben finden wolltest. Wir haben zu dem Zeitpunkt noch keine Wörter.

Wir beide stehen vermutlich einen Zentimeter vor der Disqualifikation für "Thema meilenweit verfehlt" : ) Egal, hat Spass gemacht, bevor mir noch jemand einen vor den Latz haust, bin ich erst mal raus : )