Российские разработчики улучшили распознавание русско-английской речи
- CNews FORUM 12 ноября
- CNews AWARDS 12 ноября
- Школа Роста
- СУБД в эпоху ИИ
- КИИ в облаке
- 10 лет российского бэкапа
- SDN: Сеть как дом
- История облаков
- 30 лет ERP России
- Цифровизация
- Импортозамещение
- Безопасность
- ИТ в госсекторе
- ИТ в банках
- ИТ в торговле
- Телеком
- ИТ-бизнес
- Рейтинги
|
ИТ-компания «Криптонит» (входит в «ИКС Холдинг») разработала методику дообучения моделей транскрибирования, которая позволяет точнее расшифровывать аудиозаписи со словами на русском и английском языках в одном фрагменте речи. Она может использоваться в системах автоматической расшифровки совещаний, обращений в техническую поддержку и других аудиоматериалов, в которых собеседники переключаются между языками в разговоре. В ходе экспериментов средняя доля ошибок при распознавании смешанной речи снизилась на 13,6% по сравнению с исходной открытой моделью. Об этом CNews сообщили представители «Криптонит».
По прогнозу аналитиков, мировой рынок API для распознавания речи вырастет до $7,21 млрд к 2031 г. Среднегодовой темп роста составит 20,23%. Среди факторов, способствующих этому, аналитики отмечают расширение применения автоматической транскрибации в совещаниях и клиентском обслуживании. Однако при распознавании речи системы могут терять информацию, когда собеседники переключаются между языками: например, записывать иностранные слова латиницей, заменять их похожими по звучанию русскими словами или пропускать отдельные фрагменты. В результате смысл разговора может искажаться. Например, в одном из тестовых фрагментов собеседник произносит: «здесь, к сожалению, нет real-time превью». Исходная модель записала английское выражение русскими буквами «реал тайм превью», тогда как дообученная сохранила его на английском: «real time preview». Аналогично команды вроде «switch» вместо «свич» и выражение «sign in» вместо «синг ин» распознаются с использованием латиницы.
Чтобы решить эту задачу, специалисты компании «Криптонит» подготовили около 10 тыс. часов аудиозаписей и использовали их для дообучения существующей модели распознавания речи. Данные создавали двумя способами: соединяли фрагменты записей на разных языках и синтезировали речь, в которой часть предложения звучит на другом языке. Так модель научилась распознавать переключение между русским и английским в пределах одного разговора.
«Результаты эксперимента показывают, что открытые модели распознавания речи можно адаптировать под более сложные сценарии использования. Для этого необязательно создавать новую модель с нуля: в нашем случае мы использовали существующую открытую модель и дообучили ее на специально подготовленных данных. Такой подход позволяет развивать возможности уже доступных технологий», — сказал Артем Рыженков, руководитель направления обработки аудиоданных лаборатории ИИ компании «Криптонит».
Иван Волков, Content AI: Менять работающую систему ради ИИ никто не будет, гибридный подход выгоднее Цифровизация
Хотя в эксперименте рассматривалась пара языков — русский и английский, по словам разработчиков, подход можно адаптировать для других языковых сочетаний.
Ранее эксперты лаборатории искусственного интеллекта в «Криптоните» создали модель определения языка речи, которая работает в 10 раз быстрее и в пять раз легче аналога, а также разработали способ выборочно удалять цифровые образы людей из систем распознавания лиц.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.