Методика рассчитана на автоматическую расшифровку совещаний, обращений в техподдержку и других записей, в которых собеседники переходят с одного языка на другой. При таком переключении системы могут записывать английские слова кириллицей, подменять их созвучными русскими или пропускать целые фрагменты — и тем самым искажать смысл разговора.
В тестовом примере фразу «здесь, к сожалению, нет real-time превью» исходная модель передала как «реал тайм превью». Дообученная сохранила английское выражение латиницей: «real time preview». Похожим образом она распознаёт команды «switch» и «sign in», не заменяя их вариантами «свич» и «синг ин».
Для обучения специалисты «Криптонита», входящего в ИКС Холдинг, подготовили около 10 тыс. часов аудиозаписей. Данные формировали, соединяя фрагменты на разных языках и синтезируя речь, в которой часть предложения произносится на другом языке. На этих материалах дообучили существующую открытую модель.
«Результаты эксперимента показывают, что открытые модели распознавания речи можно адаптировать под более сложные сценарии использования. Для этого необязательно создавать новую модель с нуля», — сообщил руководитель направления обработки аудиоданных лаборатории ИИ «Криптонита» Артём Рыженков. По словам разработчиков, подход можно приспособить и к другим языковым сочетаниям.
По прогнозу аналитиков, мировой рынок API для распознавания речи достигнет $7,21 млрд к 2031 году, а его среднегодовой темп роста составит 20,23%. Среди факторов роста — расширение автоматической транскрибации совещаний и клиентского обслуживания. Ранее эксперты лаборатории ИИ «Криптонита» разработали модель определения языка речи, которая работает в 10 раз быстрее и в пять раз легче аналога, а также способ выборочно удалять цифровые образы людей из систем распознавания лиц.
Комментарии (0)
Пока нет комментариев. Будьте первым!