LegközelebbKövetkező útmutató
Beszéd- és hangadat-címkézés
Hangalapú AI
Audio AI ÚTMUTATÓ
A beszédnyelv-patológusok számára készült mesterséges intelligencia beszédfelismerő és -elemző alkalmazásokat, terápiás anyagokat, például szólistákat és történeteket generáló eszközöket, valamint az artikulációs gyakorlat során visszajelzést adó alkalmazásokat tartalmaz.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Ezekkel az eszközökkel bővíthető az otthoni gyakorlat, és csökkenthető a felkészülési idő. De az automatizált beszédelemzés a legkevésbé megbízható a rendezetlen és ékezetes beszéd SLP-k kezelésére, így a klinikusok megítélése központi marad.
Az SLP-k három fő módon használják az AI-t, valamint a papírmunkát. Az első az anyagok készítése. A nyelvi modellek gyorsan létrehoznak szólistákat, mondatokat, történeteket, társadalmi forgatókönyveket és beszélgetési felhívásokat egy kiválasztott szinten és egy kiválasztott témában. A bökkenő az, hogy a modellek írott szöveggel dolgoznak, nem hangokkal. Ha a /k/-vel kezdődő szavakra kérdezünk rá, a modell tartalmazhat „kés” vagy „város” szót, mivel ezek k vagy c betűkkel kezdődnek. A /f/ szavakat kérve elhagyhatja a „telefon” szót. A klinikusnak minden listát fonetikusan ellenőriznie kell, és ellenőriznie kell a bonyolultságot is: a szótagszámot, a szóban hova esik a hang, és keveredik. A második a beszédelemzés. Az automatikus beszédfelismerés (ASR) képes a nyelvi minta első vázlatos átiratát adni, és egyes eszközök megbecsülik a beszédsebességet vagy a szüneteket. De az ASR-rendszereket többnyire tipikus felnőtt beszédre képezik. Hibaarányuk meredeken emelkedik a gyermekek és a beszédhangzavarral, dysarthriával, dadogással vagy bizonyos hangsúlyokkal küzdők esetében. Az ASR hajlamos arra is, hogy „javítsa” a beszélő által értett szó hibáit. Egy gyerek, aki azt mondja, hogy „wabbit”, „nyúl”-ként írható át, ami éppen azt a hibát rejti el, amelyet Ön mér. A Google Relate projektje és az Illinoisi Egyetem Speech Accessibility Projectje az atipikus beszéd felismerését próbálja javítani azáltal, hogy rá oktat. A harmadik a gyakorló eszközök. Az artikulációs alkalmazások gyakorlatokat és rögzítést kínálnak, egyesek pedig automatikus visszajelzést adnak arról, hogy a célhang helyes volt-e. Az automatikus visszacsatolás növelheti a gyakorlatot az ülések között, ami azért fontos, mert sok ismétlés támogatja a motoros tanulást. A pontossága azonban változó, és a rossz „helyes” jel megerősítheti a hibákat. Tesztelje egy alkalmazás visszajelzését saját fülével, mielőtt hozzárendelné. A mesterséges intelligencia a papírmunkában is segít: értékelő jelentések készítése, IEP-célok megfogalmazása és összefoglalók írása a szülőknek. Az ASHA Etikai Kódexe továbbra is megköveteli a hozzáértést és az ügyféladatok védelmét, és ez mindenre kiterjed, amit feltölt. Gyakori tévhit az, hogy egy alkalmazás pontossági pontszáma megegyezik a klinikai ítélettel. Ez egy zajos adatpont.
Egy SLP egy novellát kér az MI-től, tele kezdeti /s/ keverékekkel egy kilencéves gyerek számára, aki szereti a dinoszauruszokat. Ezután törli az olyan szavakat, mint a „sure” és „sugar”, ahol az s betű nem ad hangot a /s/-nek.
A klinikus rögzít egy 50 megnyilatkozásból álló nyelvmintát, és első piszkozatként automatikus átírást használ. Hallgatva javítja az átiratot, majd kiszámítja a megnyilatkozás átlagos hosszát.
Egy agyvérzés után dysarthriában szenvedő felnőtt a Google Project Relate programját használja, amely a felhasználó saját felvételeiből tanul, hogy a hangutasítások jobban működjenek otthon.
Az iskolai SLP minimális páros kártyákat hoz létre, mint például a „kulcs” és a „tea”, azoknak a gyerekeknek, akik /k/ és /t/ között vannak. Otthoni gyakorláshoz képekkel nyomtatja ki őket.
Az atipikus beszéd felismerése aktív kutatási terület, és az adatgyűjtési projektek idővel hasznosabbá tehetik az ASR-t dysarthriában szenvedők, gyermekek és akcentussal beszélők számára. A jobb fonéma szintű visszajelzés megbízhatóbbá teheti az otthoni gyakorlatot. Mielőtt azonban megbízhatóvá válna az előrehaladás figyeléséhez, a tanulmányoknak össze kell vetniük a képzett hallgatókkal. Az anyagok készítése valószínűleg egyre könnyebb lesz, ahogy megjelennek a klinikusok számára készült eszközök. Ami ezeket az eredményeket hatékony terápiává változtatja, az még mindig az SLP fonetikai, nyelvi fejlesztési és ügyfélcélok terén szerzett szakértelme. A nagy ügyek miatt a gondos ellenőrzés fontosabb, nem pedig kevésbé.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A beszédnyelv-patológusok számára készült mesterséges intelligencia beszédfelismerő és -elemző alkalmazásokat, terápiás anyagokat, például szólistákat és történeteket generáló eszközöket, valamint az artikulációs gyakorlat során visszajelzést adó alkalmazásokat tartalmaz. Ezekkel az eszközökkel bővíthető az otthoni gyakorlat, és csökkenthető a felkészülési idő. De az automatizált beszédelemzés a legkevésbé megbízható a rendezetlen és ékezetes beszéd SLP-k kezelésére, így a klinikusok megítélése központi marad.
A modellek írott szöveget dolgoznak fel, így a /k/ hang helyett a k és c betűket egyeztetik. Ezért minden listának fonetikai ellenőrzésre van szüksége.
Az ASR-t úgy tervezték, hogy kiadja azt a szót, amelyet a hangszóró valószínűleg jelentett. Ez segíti a diktálást, de törli azokat a beszédhibákat, amelyeket az SLP-nek látnia kell.
A Project Relate az egyén saját beszédéből tanul, így a felismerés jobban működik az atipikus beszéddel rendelkező embereknél, például a példában szereplő dysarthriában szenvedő felnőtteknél.
Az IPA láthatóvá teszi a hangokat, így észreveheti a helyesírási hibákat, a többi részlet pedig szabályozza a bonyolultságot.
Az automatikus visszacsatolás növeli a gyakorlatok ismétlésének számát, de ha jutalmazza a hibás produkciókat, az erősíti a hibát.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Beszéd- és hangadat-címkézés
Hangalapú AI