Kõnetuvastus

Kõnetuvastus ehk automatic speech recognition (ASR) on tehnoloogia, mis teisendab inimese kõne kirjalikuks tekstiks. Tavaliselt hõlmab see nii heliallika analüüsi kui ka teksti genereerimist, et kõne saaks püsiva, otsingulise ja töötleva teksti kuju.

Tööpõhimõte põhineb kolmel etapil. Esimene on helisalvestise eelanalüüs, kus helisignaal teisendatakse funktsioonideks, näiteks MFCC-d või log-Mel spektrogrammid. Teine on akustiline mudel, mis hindab tõenäosust, et antud helifunktsioonid vastavad fonemidele või tähtede järjestusele. Kolmas on keeleline mudel, mis aitab dekooderis sõnu ja lauseid õigesse järjekorda panna ning vähendab vigu. Kaasatud võib olla ka end-to-end mudel, kus sügavneuronvõrk sirutab ühtse süsteemina helisignaalist teksti genereerimise.

Süsteeme eristatakse sageli sõltuvusest kõnega (speaker-independent vs. speaker-dependent), reaalajas toimimisest (online) või salvestist töötamise võimalusest ning täpsuse poolest. End-to-end lahendused kasutavad sageli transformereid või tehisnärvivärke, samas traditsioonilised lähenemised kasutavad eraldi akustilist ja keelelist mudelit koos dekooderiga.

Tulemuste hindamiseks kasutatakse peamiselt veamõõdikud, nt sõnade vea protsent (word error rate, WER), samuti latentsuse ja reaalajas tegutsemise kiiruse mõõtmeid. Kõnetuvamist rakendatakse laialdaselt transkriptide koostamisel, virtuaalsete abiliste kõnetöötluses, helisalvestuste ja sonorite automaatsel pealditamisel ning teisendades subtiitreid ja ligipääsetavust parandavaid tekste.

Väljakutsed hõlmavad mitmekeelsust, murrete ja aktsentide erinevusi, taustamüratust ning privaatsust ja andmekaitset. Tulevik suunatakse jätkuva täpsuse, väiksema ressursinõudluse ning püsiva privaatsuse säilitamise suunas.