Forståelse af indsamlingsprocessen af ​​lyddata til automatisk talegenkendelse

Automatiske talegenkendelsessystemer og virtuelle assistenter som Siri, Alexa og Cortana er blevet almindelige dele af vores liv. Vores afhængighed af dem stiger markant, efterhånden som de bliver klogere. Fra at tænde vores lys til at foretage opkald til at skifte tv-kanal, vi udnytter disse smarte teknologier til at udføre hverdagslige opgaver.

Men har du nogensinde undret dig over, hvordan disse talegenkendelsessystemer fungerer?

Nå, denne blog vil uddanne dig om nogle af de grundlæggende principper for automatisk talegenkendelse. Vi vil også undersøge dets funktion, og hvordan funktionelle virtuelle assistenter som Siri er bygget.

Hvad er automatisk talegenkendelse?

Automatic Speech Recognition (ASR) er software, der gør det muligt for computersystemet at konvertere menneskelig tale til tekst ved at udnytte flere kunstig intelligens og maskinlæringsalgoritmer.

Efter konvertering og analyse af den givne kommando, svarer computeren med et passende output for brugeren. ASR blev første gang introduceret i 1962, og siden da har det løbende forbedret sine operationer og fået enormt rampelys på grund af populære applikationer som Alexa og Siri.

Vidste du, at automatisk talegenkendelse også er kendt som tale-til-tekstlæser? Læs mere om det i denne blog! 

Hvad er processen for taleopsamling til træning af ASR-modeller?

Taleindsamling har til formål at samle flere prøveoptagelser fra flere områder, der bruges til at fodre og træne ASR-modeller. ASR-systemet leverer den højeste effektivitet, når store datasæt af tale og lyd indsamles og leveres til dets system.

For at fungere problemfrit skal de indsamlede taledatasæt indeholde alle måldemografi, sprog, accenter og dialekter. Følgende proces viser, hvordan man træner maskinlæringsmodellen i flere trin:

• Start med at bygge en demografisk matrix

  Indsamler først og fremmest data for forskellige demografiske grupper såsom placering, køn, sprog, alder og accenter. Sørg også for at fange en række forskellige miljøstøj som gadestøj, venteværelsesstøj, offentlig kontorstøj osv.

• Saml og transskriber taledataene

  Det næste trin er at indsamle menneskelige lyd- og taleprøver baseret på forskellige geografiske placeringer for at træne din ASR-model. Det er et vigtigt skridt og kræver, at menneskelige eksperter udfører lange og korte ytringer af ord for at få den ægte fornemmelse af sætningen og gentage de samme sætninger med forskellige accenter og dialekter.

• Opret et separat testsæt

  Når du har samlet den transskriberede tekst, er næste trin at parre den med tilsvarende lyddata. Segmentér derefter dataene yderligere og medtag en erklæring fra dem. Nu, fra de segmenterede datapar, kan du trække tilfældige data fra et sæt til yderligere test.

• Træn din ASR-sprogmodel

  Jo flere oplysninger dine datasæt har, jo bedre vil din AI-trænede model præstere. Generer derfor flere varianter af tekst og taler, som du har optaget tidligere. Omskriv de samme sætninger ved hjælp af forskellige talenotationer.

• Evaluer output og til sidst gentag

  Til sidst måler du outputtet af din ASR-model for at rette op på dens ydeevne. Test modellen mod et testsæt for at bestemme dens effektivitet. Det er passende at engagere din ASR-model i en feedback-loop for at generere det ønskede output og rette eventuelle huller.

[Læs også: En omfattende oversigt over automatisk talegenkendelse]