kõnetuvastuse

Kõnetuvastus on tehnoloogia, mille eesmärk on teisendada inimese kõne masinloetavaks tekstiks või muuks analüüsitavaks kujuks. Süsteemid võivad töötada nii reaalajas kui ka salvestatud kõne transkribeerimiseks ning sageli kaasneb nendega keelelise mõistmise ja kontekstianalüüsi komponent.

Traditsiooniliselt tuginesid süsteemid HMM-GMM akustilistele mudellidele ja n-grammkeelemodellidele. Dekooder ühendab akustilised tõendid ja keelemodellide tõenäosused, et genereerida parim võimalik tekst. Mudelid õpetati suurte transkriptikogumitega ning neid kohandati erinevate domäänide, aktsentide ja kõnelejate variatsioonide jaoks.

Viimastel aastatel on laialdaselt kasutusele võetud end-to-end mudelid, mis ühendavad akustika ja keeleanalüüsi otse sügavõppega, näiteks CTC- ja Transformer-põhised arhitektuurid. Need võivad vähendada käsitsi tehtava eelanalüüsi vajadust ja parandada jõudlust mitmes keeles ning erinevates domeenides.

Koolitus nõuab suuri ja kvaliteetseid transkriptikogumeid; andmekogud hõlmavad erinevaid helikvaliteete, aktsente ja kõnelejaid. Hinnanguks kasutatakse tavaliselt sõnalist vigade määra WER-i (word error rate) ja CER-i (character error rate). Reaalajas rakendustes on oluline madal latentsus ja robustsus mürale ning taustamürale.

Rakendused hõlmavad virtuaalseid assistente, kõnetõlget, diktsioonisüsteeme ja automaatset transkriptsiooni kõnede või meediasisu jaoks. Eesti keeles kõnetuvastus seisab silmitsi morfoloogilise keerukuse, dialektide ja keele eristuva fonoloogilise varieeruvusega. Eetilised ja õiguslikud kaalutlused puudutavad andmete töötlemist, privaatsust ja andmekaitset.