Lançamento do Software de Reconhecimento de Fala Autônomo da Speechmatics

A startup de tecnologia de reconhecimento de fala líder, Speechmatics, lançou seu software de ‘Reconhecimento de Fala Autônomo’ que utiliza as últimas técnicas de aprendizado profundo e modelos auto-supervisionados de ponta. O sistema demonstrou a capacidade de superar o Amazon (AMZN ), Google (GOOGL ) e Microsoft.

Conjuntos de Dados de Stanford

A Speechmatics é baseada em conjuntos de dados encontrados no estudo ‘ Desigualdades Raciais no Reconhecimento de Fala‘ de Stanford, e alcançou uma precisão geral de 82,8% para vozes afro-americanas. Para referência, o Google alcançou apenas 68,7% de precisão, enquanto o Amazon alcançou 68,6%.

O nível de precisão equivale a uma redução de 45% nos erros de reconhecimento de fala, o que é equivalente a três palavras em uma frase média. Além disso, o novo sistema da Speechmatics demonstrou melhorias na precisão em diferentes sotaques, idades, dialetos e outras características sociodemográficas.

Há frequentemente mal-entendidos no reconhecimento de fala devido à quantidade limitada de dados rotulados que os algoritmos podem usar para treinar a si mesmos. Dados rotulados são necessários para serem classificados manualmente por humanos, o que resulta em uma quantidade menor de dados disponíveis para esses sistemas. Isso também limita a representação de todas as vozes, o que cria um novo conjunto de problemas.

Treinamento em Dados Não Rotulados

A Speechmatics está fazendo grandes progressos nesse sentido, pois sua tecnologia é treinada em grandes quantidades de dados não rotulados extraídos diretamente da internet. Os dados vêm de coisas como conteúdo de mídia social e podcasts.

O aprendizado auto-supervisionado permitiu que o sistema fosse treinado em 1,1 milhão de horas de áudio, o que é um aumento em relação às 30.000 horas anteriores. Isso permite que ele tenha uma representação muito mais ampla de vozes e ajuda a reduzir os vieses e erros no reconhecimento de fala.

Quando se trata de vozes de crianças, a Speechmatics também demonstrou a capacidade de superar os concorrentes. As vozes das crianças são desafiadoras para serem reconhecidas por meio da tecnologia de reconhecimento de fala legada, mas a Speechmatics conseguiu registrar uma taxa de precisão de 91,8%. O Google conseguiu apenas 83,4% e o Deepgram 82,3%.

Katy Wigdahl é a CEO da Speechmatics.

“Estamos em uma missão para entregar a próxima geração de capacidades de aprendizado de máquina e, por meio disso, oferecer tecnologia de fala mais inclusiva e acessível. Este anúncio é um grande passo em direção ao cumprimento dessa missão.”

“Nosso foco em lidar com o viés de IA levou a este salto monumental para a frente na indústria de reconhecimento de fala e o efeito em cascata levará a mudanças em uma multitude de diferentes cenários,” continuou Wigdahl. “Pense nos legendas incorretas que vemos nas mídias sociais, audiências judiciais onde as palavras são mal transcritas e plataformas de aprendizado eletrônico que lutaram com as vozes das crianças durante a pandemia. Erros que as pessoas tiveram que aceitar até agora podem ter um impacto tangível em suas vidas diárias.”

Allison Zhu Koenecke é a autora principal do estudo de Stanford sobre reconhecimento de fala.

“É fundamental estudar e melhorar a justiça nos sistemas de fala-para-texto, dado o potencial de danos desproporcionais a indivíduos por meio de setores downstream que variam desde a saúde até a justiça criminal.”