Запуск Speechmatics Автономного Распознавания Речи

Leading технологический стартап в области распознавания речи Speechmatics запустил программное обеспечение «Автономное Распознавание Речи», которое использует последние методы глубокого обучения и прорывные модели самообучения. Система продемонстрировала способность превосходить Amazon (AMZN ), Google (GOOGL ) и Microsoft.

Наборы Данных Стэнфорда

Speechmatics основан на наборах данных, найденных в исследовании Стэнфорда «Расовые различия в распознавании речи», и он достиг общей точности 82,8% для афроамериканских голосов. Для сравнения, Google достигла точности только 68,7%, а Amazon – 68,6%.

Уровень точности соответствует снижению ошибок распознавания речи на 45%, что эквивалентно трем словам в среднем предложении. Новый систем Speechmatics не только точен в этом отношении, но также продемонстрировал улучшения точности по акцентам, возрасту, диалектам и различным другим социально-демографическим характеристикам.

Часто возникает недоразумение в распознавании речи из-за ограниченного количества помеченных данных, которые алгоритмы могут использовать для обучения. Помеченные данные требуют ручной классификации людьми, что приводит к меньшему количеству доступных данных для этих систем. Это также ограничивает представление всех голосов, что создает новую серию проблем.

Обучение на Непомеченных Данных

Speechmatics делает большие успехи в этом отношении, поскольку его технология обучается на огромных объемах непомеченных данных, полученных напрямую из интернета. Данные поступают из таких источников, как контент социальных сетей и подкасты.

Самообучение позволило системе быть обученной на 1,1 миллиона часов аудио, что является увеличением с предыдущих 30 000 часов. Это позволяет иметь гораздо более широкий спектр представления голосов и помогает уменьшить предвзятость ИИ и ошибки в распознавании речи.

Когда речь идет о детских голосах, Speechmatics также продемонстрировал способность превосходить конкурентов. Детские голоса сложны для распознавания с помощью устаревшей технологии распознавания речи, но Speechmatics смогла записать точность 91,8%. Google смогла достичь только 83,4%, а Deepgram – 82,3%.

Кэти Видгал является генеральным директором Speechmatics.

«Мы находимся на миссии по доставке следующего поколения возможностей машинного обучения, и через это предлагаем более инклюзивную и доступную технологию речи. Это объявление является огромным шагом к достижению этой миссии».

«Наш фокус на решении проблемы предвзятости ИИ привел к этому монументальному прорыву в индустрии распознавания речи, и эффект будет иметь изменения в множестве разных сценариев», – продолжила Видгал. «Подумайте о неправильных подписях, которые мы видим в социальных сетях, судебных разбирательствах, где слова неправильно транскрибируются, и платформах электронного обучения, которые боролись с детскими голосами во время пандемии. Ошибки, которые люди должны были принять до сих пор, могут иметь осязаемое влияние на их повседневную жизнь».

Эллисон Чжу Кунеке является ведущим автором исследования Стэнфорда о распознавании речи.

«Критически важно изучать и улучшать справедливость в системах речь-текст, учитывая потенциал для разнообразного вреда отдельным лицам через различные сектора, от здравоохранения до уголовного правосудия».