Η Speechmatics Εκκινεί Αυτόνομη Λογισμική Αναγνώρισης Ομιλίας

Η ηγετική εταιρεία τεχνολογίας αναγνώρισης ομιλίας Speechmatics έχει εκκινήσει το λογισμικό «Αυτόνομη Αναγνώριση Ομιλίας» που χρησιμοποιεί τις τελευταίες τεχνικές βαθιάς μάθησης και πρωτοποριακά αυτο-επιτηρούμενα μοντέλα. Το σύστημα έχει αποδείξει την ικανότητα να υπερβαίνει την Amazon (AMZN ), το Google (GOOGL ) και τη Microsoft.

Τα Δεδομένα του Stanford

Η Speechmatics βασίζεται σε δεδομένα που βρέθηκαν στη μελέτη του Stanford «Φυλετικές Διακρίσεις στην Αναγνώριση Ομιλίας» και πέτυχε einen συνολικό βαθμό ακρίβειας 82,8% για τις φωνές των Αφροαμερικανών. Για αναφορά, το Google πέτυχε μόνο έναν βαθμό ακρίβειας 68,7%, ενώ η Amazon πέτυχε 68,6%.

Το επίπεδο ακρίβειας αντιστοιχεί σε μια μείωση των σφαλμάτων αναγνώρισης ομιλίας κατά 45%, που είναι ισοδύναμο με τρεις λέξεις σε μια μέση πρόταση. Όχι μόνο το νέο σύστημα Speechmatics είναι ακριβές σε αυτόν τον ohled, αλλά επίσης απέδειξε βελτιώσεις στην ακρίβεια σε διαφορετικά προφορά, ηλικία, διάλεκτους και διάφορα άλλα κοινωνικο-δημογραφικά χαρακτηριστικά.

Υπάρχει συχνά παρεξήγηση στην αναγνώριση ομιλίας λόγω του περιορισμένου ποσού των ετικετών δεδομένων που οι αλγόριθμοι μπορούν να χρησιμοποιήσουν για να εκπαιδεύσουν τους εαυτούς τους. Τα δεδομένα με ετικέτες απαιτούν να ταξινομηθούν χειροκίνητα από ανθρώπους, που οδηγεί σε μικρότερο ποσό δεδομένων που είναι διαθέσιμα για αυτά τα συστήματα. Αυτό επίσης περιορίζει την αναπαράσταση όλων των φωνών, που δημιουργεί ένα νέο σύνολο προβλημάτων.

Εκπαίδευση σε Δεδομένα Χωρίς Ετικέτες

Η Speechmatics κάνει μεγάλη πρόοδο σε αυτόν τον ohled, καθώς η τεχνολογία της εκπαιδεύεται σε τεράστια ποσά δεδομένων χωρίς ετικέτες που προέρχονται trực tiếp από το διαδίκτυο. Τα δεδομένα προέρχονται από πράγματα όπως περιεχόμενο των κοινωνικών μέσων και podcasts.

Η αυτο-επιτηρούμενη μάθηση έχει ermögλισει στο σύστημα να εκπαιδευτεί σε 1,1 εκατομμύρια ώρες ήχου, που είναι μια αύξηση από τις προηγούμενες 30.000 ώρες. Αυτό ermögλιζει να έχει μια πολύ ευρύτερη αναπαράσταση φωνών και βοηθά να μειώσει την προκατάληψη του AI και τα σφάλματα στην αναγνώριση ομιλίας.

Όταν πρόκειται για τις φωνές των παιδιών, η Speechmatics απέδειξε επίσης την ικανότητα να υπερβαίνει τους ανταγωνιστές. Οι φωνές των παιδιών είναι δύσκολο να αναγνωριστούν μέσω της παραδοσιακής τεχνολογίας αναγνώρισης ομιλίας, αλλά η Speechmatics κατόρθωσε να καταγράψει einen βαθμό ακρίβειας 91,8%. Το Google μπορούσε να επιτύχει μόνο 83,4% και το Deepgram 82,3%.

Η Katy Wigdahl είναι η CEO της Speechmatics.

«Είμαστε σε μια αποστολή να παραδώσουμε την επόμενη γενιά ικανοτήτων μηχανικής μάθησης και μέσω αυτού να προσφέρουμε πιο περιεκτική και προσιτή τεχνολογία ομιλίας. Αυτή η ανακοίνωση είναι ένα τεράστιο βήμα προς την επίτευξη αυτής της αποστολής.»

«Η εστίασή μας στην αντιμετώπιση της προκατάληψης του AI έχει οδηγήσει σε αυτό το巨αντιαίο βήμα προς τα εμπρός στην βιομηχανία αναγνώρισης ομιλίας και η ρίψη του θα οδηγήσει σε αλλαγές σε πολλές διαφορετικές περιπτώσεις,» συνέχισε η Wigdahl. «Σκεφτείτε τις λανθασμένες υποτιτλώσεις που βλέπουμε στα κοινωνικά μέσα, τις δίκες όπου οι λέξεις είναι λανθασμένα μεταγραμμένες και τις πλατφόρμες eLearning που έχουν παλέψει με τις φωνές των παιδιών καθ’ όλη τη διάρκεια της πανδημίας. Τα λάθη που οι άνθρωποι έχουν πρέπει να αποδεχθούν μέχρι τώρα μπορούν να έχουν μια ουσιαστική επίδραση στις καθημερινές τους ζωές.»

Η Allison Zhu Koenecke είναι η κύρια συγγραφέας της μελέτης του Stanford για την αναγνώριση ομιλίας.

«Είναι κρίσιμο να μελετήσουμε και να βελτιώσουμε την ισότητα στα συστήματα ομιλίας-σε-κείμενο δεδομένου του potencial για διαφορετική ζημιά σε άτομα μέσω των κατωτέρω τομέων που κυμαίνονται από την υγεία έως τη δικαιοσύνη.»