Google投入大量資源用於AI和機器學習研究，以期為未來提供產品和服務。因此，無論是與計算攝影還是電子郵件建議功能有關，Google始終在這方面保持活躍。最近，Google還推出了著名的「 Google Recorder」。您可能想知道市場上有幾種錄音機應用程式，為什麼要這麼做呢？但是我們都知道，如果它來自谷歌，那麼它必須成為頂級產品的競爭者！
在進一步探索之前，讓我們看看Google是否閱讀了比賽！而且，是的，我們可以立即看到Google在基於AI的研究和發布方面做得很好。
最近啟動的Google Recorder應用程式是其中一種應用程式，該應用程式已經由機器學習算法提供了支持，該算法以無與倫比的準確率轉錄音頻。似乎Google並沒有經歷過Google Clips的失敗，但是此應用程式具有使它取得驚人成功的那些功能。目前，它可以在Google的旗艦移動品牌Pixel 4上使用，但應用程式開發人員也在進行進一步研究，以使其在Android平臺上可用。
讓我們更深入地挖掘吧！
但是首先，什麼是機器學習？
它是人工智慧的組成部分，它具有兩個功能，即學習和適應。因此，它將機器學習算法注入到程序中，這些程序可以從大量數據中學習並根據數據進行調整。
還是不清楚？
好吧，讓我們為您輕鬆些。
機器學習是一種理論，其中電腦程式無需任何人工幹預即可學習，解密和適應。機器學習處理成千上萬的數據（也稱為大數據），它根據給定的算法使用並使其有意義。
我們還看一些事實來闡明機器學習
到2024年，全球機器學習預計將從2017年的$ 1.58B降至$ 20.83B
從2017年到2024年的7年期間，複合年增長率預計將增長44.06％
根據Tractica，到2025年，AI收入還將從2018年的$ 10.1B增至$ 126B。
有關Google Recorder的更多信息
Google錄音機是實時運行的，是一款可以記錄音頻並對其進行解密，將其轉換為文本並具有編輯功能的應用程式。最好的部分是，它也可以離線運行，從而使其在競爭對手中脫穎而出。實際上，由於它是自動的，因此用戶甚至不必給出單獨的命令來轉錄。
您必須了解的有關Google Recorder的6件事
1.擁抱邊緣優先模型設計
公司提出了移動優先的設計理念，以開發其應用程式，以提供豐富的移動體驗，隨後又開發了桌面版本。我們知道，基於機器學習的應用程式在雲上運行，考慮到安全問題，這會使應用程式變慢且風險更高。但是Google錄音機是使用RNN-T換能器模型開發的，這就是Google語音錄音應用程式堅固的原因。
它使用單個神經網絡，被認為最適合解碼錯誤。如果公司希望開發具有更長保存期限的應用程式，那麼它就必須擺脫傳統的思想流派。
2.更好的技術堆棧
該應用程式是使用Swift和TensorFlow一起創建的。事實證明，這是一次很好的協作，因為它已轉化為更快的應用程式開發時間和增強的性能。Swift和TensorFlow已經為他們完成了竅門，對於未來的ML應用程式來說，這似乎也是一個不錯的建議。
3.轉錄功能
現在，我們都知道該應用程式會在音頻記錄的轉錄瞬間生成。解釋後的文本可以很容易地被掃描。這意味著，如果您要查找特定的單詞，則只需搜索該單詞，而無需面對收聽整個音頻的困難。Google語音記錄應用程式的解釋器或轉錄功能使它脫穎而出。
設備上的語音識別模型使該應用最多可以轉錄幾個小時的提取音頻文件。如此記錄的單詞被繪製到記錄的時間線上。當用戶點擊轉錄片段中的特定單詞時，音頻將從該點開始播放。
4.理解聲音
備受關注的扭曲神經網絡已用於將不同的聲音連接到顏色。用戶可以聽不同的聲音，例如狗叫聲或鳴叫聲，並根據聲音的強度在波形中分配顏色。
只需看一下，用戶就能看到聲音。它還審核各種聲音，並在960ms的時間內每50ms啟動一次。這將幫助用戶查明開始和結束時間，以消除錯誤。Google記錄器還具有一個滑動窗口，該窗口提供S形分數矢量作為輸出。
5.標題和標籤建議
錄製完成後，該應用程式還會根據音頻的性質提供有關標題和標籤的建議。語法的含義和術語的出現有助於它做到這一點。這些術語作為實體分開並大寫。
在預定算法的幫助下，它可以將語音的各個部分按下，並根據內容的質量進行評分。最終選擇的單詞將成為文本的標題或標籤。
6.用戶隱私
如前所述，如果ML是在雲平臺上構建的，則應用程式性能會降低，並且用戶數據將不受保護。機器學習推論數據時，它將在每個人都可以訪問的雲平臺上提供大數據。您的個人信息也會受到威脅，但是Google知道您的隱私很重要。
您記錄和保存的數據可以是家庭會議或重要的律師對話。通過使其脫機使用，開放平臺無法利用它。您無需將數據傳輸到雲。
到目前為止，一切都很好！
我已經介紹了很多有關備受讚譽的Google記錄器，我們作為用戶必須了解為什麼機器學習是一件大事，需要以Google的方式完成。
現在是人類使用AI和ML作為工具而不是與之競爭的時候了。如果研究朝著正確的方向發展，那麼前途一片光明。