Il prossimoProssima guida
Riconoscimento vocale su dispositivo
IA audio
GUIDA AI audio
Il riconoscimento vocale a campo lontano trascrive le persone che parlano a distanza dai microfoni, spesso in mezzo a echi ambientali, rumori e voci sovrapposte.
Ascolta questa guidaNarrato dall'IA · ~3 min
CHiME-6 è una sfida di ricerca costruita attorno a registrazioni di cene domestiche reali per ASR conversazionale a distanza e diarizzazione degli oratori. Il suo compito evidenzia perché un benchmark pulito a microfono ravvicinato non è sufficiente per prevedere le prestazioni in una stanza affollata.
Un microfono dall'altra parte della stanza cattura una miscela diversa da quella vicino alla bocca. Il parlato è indebolito dalla distanza, riflesso dai muri, mescolato con piatti o musica e sovrapposto ad altri interlocutori. Un riconoscimento automatico può perdere parole o assegnarle alla persona sbagliata, anche se funziona bene con discorsi letti in modo pulito. CHiME-6 è stato organizzato attorno a conversazioni a distanza nelle case di tutti i giorni, utilizzando registrazioni di venti cene e includendo la diarizzazione e il riconoscimento. Le pagine ufficiali delle attività definiscono il set di dati, le tracce e le regole di valutazione. Più microfoni possono fornire prove spaziali. Un sistema può scegliere un canale favorevole, combinare i canali per ridurre le interferenze o utilizzare il beamforming prima del riconoscimento. Tale elaborazione dipende dalla sincronizzazione dell'array, dalla geometria e dalle condizioni di rumore. I microfoni indossati nel corpus possono fornire prove di confronto, ma un prodotto che si basa su dispositivi a campo lontano non può affermare di avere la qualità del microfono vicino citando un canale di riferimento. La diarizzazione del relatore stima chi ha parlato e quando; non è la stessa cosa della verifica dell’identità legale. Le vere conversazioni a cena sono confuse. Le persone si interrompono a vicenda, ridono, si muovono tra le stanze e cambiano il volume. Un modello può funzionare bene con un'espressione ridotta, ma avere difficoltà con registrazioni continue non segmentate, in cui è necessario rilevare anche l'attività vocale e i turni dell'oratore. Valutare separatamente gli errori di parole, i segmenti mancanti e gli errori di attribuzione del parlante. Il protocollo dell’anno di attività della sfida è importante; le edizioni successive di CHiME riutilizzano o modificano dati e regole, quindi i punteggi non devono essere confrontati senza verificare l'impostazione esatta. Per un assistente di sala impegnato, testare le case o gli uffici dei rappresentanti con il consenso, diversi relatori e posizioni e i dispositivi che verranno effettivamente utilizzati. Registra se il miglioramento e la separazione aiutano la trascrizione finale anziché limitarsi a rendere l'audio più pulito. Preservare l'incertezza quando due voci si sovrappongono o una frase distante risulta incomprensibile. Il risultato giusto è una trascrizione utilizzabile con lacune oneste, non una ricostruzione fluida che inventa parole che i microfoni non hanno mai risolto.
Un sistema di riunione verifica se un oratore distante viene mancato mentre una persona vicina ride.
Un ricercatore confronta gli array a campo lontano con i microfoni di riferimento indossati nell'allestimento della cena CHiME.
Un editor di trascrizione esamina le etichette degli oratori quando due partecipanti parlano contemporaneamente.
Un team di dispositivi testa cucine e soggiorni riverberanti anziché solo il parlato in studio.
Array e modelli migliori possono migliorare la trascrizione a distanza senza costringere ogni persona a indossare un microfono. Le case e i luoghi di lavoro continueranno a variare in termini di disposizione, rumore e aspettative di privacy. I sistemi futuri possono esporre intervalli di bassa confidenza e chiedere a un utente di confermare un nome o una frase mancata. I parametri di riferimento dovrebbero includere il parlato continuo a più parlanti e riportare gli errori di chi ha parlato e quando insieme all'accuratezza delle parole. I team di prodotto devono spiegare quando l'audio della stanza viene acquisito e conservato. Il guadagno di un beamformer o di un separatore dovrebbe essere misurato mediante una comunicazione più chiara e accurata per gli utenti previsti, non con un esempio di forma d'onda attraente.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Il riconoscimento vocale a campo lontano trascrive le persone che parlano a distanza dai microfoni, spesso in mezzo a echi ambientali, rumori e voci sovrapposte. CHiME-6 è una sfida di ricerca costruita attorno a registrazioni di cene domestiche reali per ASR conversazionale a distanza e diarizzazione degli oratori. Il suo compito evidenzia perché un benchmark pulito a microfono ravvicinato non è sufficiente per prevedere le prestazioni in una stanza affollata.
Un sistema di riunione verifica se un oratore distante viene mancato mentre una persona vicina ride. Un ricercatore confronta gli array a campo lontano con i microfoni di riferimento indossati nell'allestimento della cena CHiME. Un editor di trascrizione esamina le etichette degli oratori quando due partecipanti parlano contemporaneamente. Un team di dispositivi testa cucine e soggiorni riverberanti anziché solo il parlato in studio.
Array e modelli migliori possono migliorare la trascrizione a distanza senza costringere ogni persona a indossare un microfono. Le case e i luoghi di lavoro continueranno a variare in termini di disposizione, rumore e aspettative di privacy. I sistemi futuri possono esporre intervalli di bassa confidenza e chiedere a un utente di confermare un nome o una frase mancata. I parametri di riferimento dovrebbero includere il parlato continuo a più parlanti e riportare gli errori di chi ha parlato e quando insieme all'accuratezza delle parole. I team di prodotto devono spiegare quando l'audio della stanza viene acquisito e conservato. Il guadagno di un beamformer o di un separatore dovrebbe essere misurato mediante una comunicazione più chiara e accurata per gli utenti previsti, non con un esempio di forma d'onda attraente.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Riconoscimento vocale su dispositivo
IA audio