Die Genauigkeitsgrenze liegt im Mikrofon, nicht im Modell: Raumerfassung und Mehrkanal-Parallelität für On-Premise-Protokolle
Warum erreicht das gleiche ASR-Modell in einem Meetingraum ein Ergebnis von 98%, während es in einem anderen Meetingraum nur 80% erreicht? Der Unterschied liegt normalerweise nicht im Modell selbst – sondern in der Art und Weise, wie die Mikrofone in den jeweiligen Räumen eingesetzt werden. Dieser Artikel erläutert die tatsächlichen Unterschiede zwischen den drei verwendeten Methoden, wie die Entfernung, in der die Mikrofone funktionieren, sowie die Akustik des Raumes die Ergebnisse beeinflussen. Zudem wird erklärt, was mit den dualen omnidirektionalen Mikrofonen sowie der Knochenleitung eigentlich erreicht wird. Außerdem wird beschrieben, wie man die Größe der Mikrofone anpasst, um sie für mehrere Meetingräume zu nutzen.
Dasselbe Modell von ASR erreicht bei einer einzigen Besprechung eine Erfolgsrate von 98%. Bei einer anderen Besprechung hingegen liegt die Erfolgsrate nur bei 80% – bei Über uns.
Viele Bewertungen bewerten das gesamte Budget auf der Grundlage dessen, ob das Modell genau ist. Doch bei der Übernahme des Modells stellt sich heraus, dass selbst mit dem angepassten Lexikon und den hinzugefügten wichtigen Wörtern die Fehlerrate nicht sinkt. Der Grund dafür ist einfach:
Ein Modell kann nur innerhalb der Grenzen des eingegebenen Audios funktionieren. Schlechtes Audio kann durch kein Modell repariert werden.
Die in der Tabelle angegebenen Werte stammen vom Produkt Spezifikationen. Die Leistungswerte sind Referenzwerte für den typischen Umgebungsbedingungen. Diese Werte variieren je nach akustischen Bedingungen, Entfernung des Empfängers sowie der Konfiguration der Anwendung. Bitte messen Sie diese Werte vor Ort.
Die Genauigkeitsgrenze liegt am Ende des Erfassungsprozesses.
Beginnen wir mit einem Fakt, den man leicht übersehen kann: Spracherkennung ist die einzige Stufe in der Kette, die nicht in der Lage ist, das zu kompensieren, was vor ihr stattgefunden hat.
Ein Modell kann zwar die Fehler korrigieren, die bei „diesem Wort“ auftreten könnten. Doch es kann nicht die Probleme korrigieren, die mit „dieser Satz“ zusammenhängen – also die Probleme, die dadurch entstehen, dass der Satz nie richtig aufgezeichnet wurde. Letztere zeigen sich akustisch als drei verschiedene Probleme.
| Audioprobleme | Akustische Ursachen | Möglich, das mit einem besseren Modell zu beheben. |
|---|---|---|
| Weitfeldabschwächung | Die Energie des Sprachsignals nimmt mit der Entfernung ab. Zudem verschlechtert sich die Signalstärke (SNR). | Im Grunde genommen: Nein. |
| Rückstände der Reverberation | Rückreflexionen in den Räumen vermischen die Aussagen der Personen miteinander. | Teilweise |
| Mehrkanaliger Kreuzspracheffekt | Überlappende Aussagen, Kanalvermischung | Nein |
Je größer die Entfernung zwischen dem Empfänger und dem Signal ist, desto geringer wird die Energie des Sprachsignals. Das Umgebungslärm hingegen bleibt gleich. Dadurch fällt das Verhältnis von Signal zu Lärm ab. Wenn man die Empfindlichkeit erhöht, wird sowohl das Lärmen als auch die Sprache verstärkt – das Klangbild wird lauter. Allerdings kann die Genauigkeit dadurch sogar verschlechtert werden.
Schlussfolgerung: Die „Eroberung“ ist die erste Variable in der gesamten Kette. Das erklärt auch, warum „derselbe Motor in verschiedenen Räumen ganz unterschiedlich funktioniert“. Was sich also unterscheidet, ist nicht der Motor selbst, sondern der Raum, in dem er betrieben wird.
Der wirkliche Unterschied zwischen den drei Ansätzen zur Ergreifung der Situation
Die Aufnahme von Besprechungsräumen kann auf drei verschiedene Arten erfolgen. Es ist wichtig, diese Unterschiede zu berücksichtigen.
| Annäherung | Prinzip | Mehrsprachige Sprecher/innen | On-Premise-Fit |
|---|---|---|---|
| Dedizierte Hardware für omnidirektionale Mikrofone | Mic-Array + Array-Signalverarbeitung | Stark konstruiert – geeignet für Menschen, die um einen Tisch herum sitzen. | Native |
| Mixdown des Meetingsystems | Wiederholt die Ausgabe des bestehenden Systems. | Mittelmaß, begrenzt durch dieses System | Es ist notwendig, die Integration zu überprüfen. |
| Software für die lokale Aufzeichnung von Daten | Die Client-Software speichert die lokale Audiowiedergabe. | Schwach, nur ein einziger Kanal | Im Allgemeinen ungeeignet |
Die Für den Einsatz in Omnidirektionalen Mikrofonen entwickelte Hardware-Systeme sind für Personen konzipiert, die um einen Tisch herum sitzen. Die Empfindlichkeit ist in jeder Richtung etwa gleich. Zusammen mit der Geräuschunterdrückung und der Echokanlation sorgen mehrere Lautsprecher dafür, dass die Tonqualität konstant bleibt. Die Sprachtranskription-Systeme nutzen USB-Omnidirektionalmikrofone über Standardanschlüsse. Desktop-Hosts ermöglichen außerdem den einfachen Anschluss von externen Mikrofonen.
Mixdown des Meetingsystems scheint praktisch zu sein – man kann die Audiowiedergabe des bestehenden Besprechungssystems wieder verwenden. Doch die Klangqualität hängt ganz von diesem System ab. Wenn das System für menschliche Ohren entwickelt wurde, dann ist der dynamische Bereich sowie der Signal-to-Rausch-Faktor möglicherweise nicht ausreichend für ein Modell. Was unbedingt überprüft werden muss, ist Kanalführung in mehrparteienbasierten Szenarien. Denn bei der Mischung werden oft mehrere Kanäle in einen einzigen Kanal zusammengefasst – dadurch bleibt Sprechertrennung ohne nutzbaren Eingang übrig.
Software für die lokale Aufzeichnung von Daten ist im Grunde genommen keine geeignete Lösung für die Inbetriebnahme vor Ort. Es erfasst nur einen einzigen Kanal, kann die Teilnehmer einer mehrpersonellen Besprechung nicht trennen und benötigt eine Client-Installation.
Gemeinsame Ausfallmodi
- „Can record“ als „can transcribe“ zu bezeichnen.: Die Audioaufnahmen des Meetings werden für menschliche Ohren abgemischt – nicht für Modelle.
- Nur die Tests in der Nähe des Podests werden durchgeführt.: Die vier Ecken sowie der weiteste Sitzplatz sind die echten Betriebsbedingungen.
- Die Anzahl der Kanäle ignorieren: Wenn die Kanäle zusammengefasst werden, hat Sprechertrennung keine Eingaben mehr.
Abstand zum Anschlusspunkt sowie die Akustik im Raum
Die Abtastweite ist das Parametre, bei dem man am häufigsten nachgefragt wird. Die Antwort darauf ist jedoch meist unklar gegeben. Mit einem Desktop-Mikrofon sowie einem externen omnidirektionalen Mikrofon ergibt sich eine effektive Abtastweite von etwa 5 bis 10 Meter. Dies passt gut für kleine und mittelgroße Besprechungsräume.
Die richtige Antwort ist Mehr Abholpunkte – keine höhere Empfindlichkeit. Dies wird durch die Akustik bestimmt: Die Energie des Sprachsignals nimmt mit der Entfernung ab, während das Geräusch nicht so abnimmt. Deshalb verstärkt das Verstärkergerät sowohl das Sprachsignal als auch das Geräusch gleichmäßig.
Die Raumakustik ist genauso wichtig.
- Eigenklang/Resonanz: Glaswände, glatte Böden und große, leere Räume spiegeln alles stark wider – dadurch wird die Sprache durch ihre eigenen Echos beeinträchtigt.
- Gleichgewichtsstille: Klimaanlagen, Projektoren, Außenverkehr – diese Elemente haben ein stabiles Spektrum und sind zumindest algorithmisch bearbeitbar.
- Überflusslicher Lärm: Bewegung des Stuhls, Türknallen, vibrierender Telefon – das sind die häufigsten Ursachen dafür, dass ein ganzer Bereich zusammenbricht.
Führen Sie zwei Durchläufe während des Überprüfungsprozesses durch.: Einer der Räume verfügt über Klimaanlage und ein Projektor, der aktiviert ist – das sind die tatsächlichen Bedingungen. Der andere Raum befindet sich in einem ruhigen Bereich. Eine Testung allein in einem ruhigen Raum ist keine echte Testung – in den meisten Besprechungsräumen herrschen lautstarker Hintergrundgeräusche von etwa 40 bis 50 Dezibel.
Zweifache, omnidirektionale Mikrofone – mit Knochenleitung: Keine zusätzlichen Mikrofone erforderlich.
Der gängige Instinkt bei tragbaren Aufnahmegeräten ist es, mehr Mikrofone zu verwenden. Doch die Anzahl der Mikrofone beeinflusst nicht die Qualität der Aufnahmen. Mehrere Mikrofone ohne entsprechende Signalverarbeitung fangen lediglich mehrere „lärmige“ Kopien desselben Signals auf.
Der effektive Ansatz ist Komplementäre Erfassungsmechanismen.
| Mechanismus | Was es erfassen kann: | Stärke | Schwäche |
|---|---|---|---|
| Luftwege der Kommunikation (Omnimik) | Schallwellen | Weite Bandbreite, Natürlichkeit | SNR zerfällt unter starkem Lärm. |
| Knochenübertragung | Vibrationen durch feste Oberflächen | Die Verständlichkeit bleibt auch bei starkem Lärm erhalten. | Schmale Band – erfordert Kontakt. |
Der Fall bezüglich der Knochenleitung ist spezifisch.: Wenn durch Klimaanlagen, Projektorkühler oder Außenlärm die überwiegende Signalstärke des Sprachsignals beeinträchtigt wird, bleibt der vom Mikrofon aufgenommene Sprachanteil relativ intakt. Das ist keine „weitere Mikrofunktion“ – es handelt sich dabei um einen eigenständigen Aufnahmekanal.
Eine persönliche Aufnahmekarte verwendet beispielsweise das Zweifach omnidirektionaler Mikrofon in Kombination mit Knochenleitungstechnologie-Design. Die Reichweite der Aufnahme beträgt 5 bis 10 Meter. Die Aufnahmen werden automatisch auf einen lokalen Server gesynchronisiert. Dadurch entsteht eine „einmal-tippende-Aufnahme → künstliche Übersetzung → Wissensdatenbank“-Kette – eine Lösung, die besonders für mobile Arbeiten, Interviews und Felduntersuchungen geeignet ist, bei denen eine feste Verteilung der Geräte nicht möglich ist.
Von einem Raum zu vielen Räumen: Abmessungen bei mehreren gleichzeitig ablaufenden Prozessen
Sobald die Lösung für das Problem gefunden ist, stellt sich die nächste Frage: Berechnen und Kanäle. Es gibt hier eine häufige Fehlkombination: Man betrachtet „Anzahl der Kanäle pro Kasten“ als die einzige Messgröße.
Reale Szenarien erfordern zwei getrennte Berechnungen.: Mehrere Sprechertrennungs innerhalb eines Raumes – sowie Parallelität zwischen verschiedenen Räumen. Das erste Beispiel ist Sprechertrennung innerhalb eines Audiospiels, das zweite Beispiel ist Mehrere Audiospuren werden parallel übersetzt.. Beide verbrauchen Rechenressourcen auf ganz unterschiedliche Weise.
Drei Ebenen nach Raumgröße:
| Tieren | Use case | Typische Konfiguration | Schlüsselmetriken |
|---|---|---|---|
| Desktop-Host | Eine kleine, separate Zelle – mit einem persönlichen Schreibtisch. | 46 TOPS – mit einer Rechenleistung von 46 TOPS, 8 GB Arbeitsspeicher sowie einer erweiterbaren Speicherkapazität von 128 GB. | Latenzzeit unter 1 Sekunde (veröffentlicht) |
| Abteilungsserver | Forschungs- und Entwicklungszentren, Finanzabteilungen, regionale Unternehmen | 5 gleichzeitig verfügbare Kanäle, 166 TOPS, 24 GB an Speicherplatz mit hoher Bandbreite | End-to-End-Latenzzeit unter 1,5 Sekunden |
| Unternehmensserver | Regierung, Verteidigung, Finanzen, medizinische Bereiche sowie andere Bereiche mit hohen Anforderungen an die Einhaltung von Vorschriften | 10 gleichzeitig verfügbare Kanäle, 326 TOPS, 48 GB an Speicherplatz für hochbandbreiten Anwendungen | Die RTF-Werte liegen unter 0,3; die End-to-End-Latenz beträgt weniger als 1 Sekunde. |
Die Größe sollte so festgelegt werden, dass es genügend Platz für die gleichzeitige Durchführung von Besprechungen gibt. Zudem sollte ein Abstand von 20% zum Zielwert ZÜber unsingehalten werden. für Ad-hoc-Sitzungen. Ein Enterprise-Server für eine einzige Räumlichkeit zu betreiben, ist eine Verschwendung von Ressourcen. Die Nutzung von Desktop-Hosts für mehrere parallele Räume bedeutet hingegen, dass es zu Warteschlangen kommt.
Mehrere Räume: Audio-Aufbereitung und Steuerung der Cluster-Operationen
Die Server auf Abteilungsebene unterstützen die Funktion Verteilte Audio-Aufnahmen über das Netzwerk – dabei werden die Audiodaten aus mehreren Räumen auf einen Server gesammelt, um sie anschließend gemeinsam zu verarbeiten. Dabei wird eine Webkonsole zur Verwaltung der Daten verwendet. Dadurch wird es möglich, dass für jeden Raum ein separates System nicht benötigt wird. Zudem können Transkripte und Aufnahmen zentral verwaltet werden.
Auf größerer Skala werden mehrere Hosts durch ein ZVerwaltungsplattformSystem verwaltet. Dabei erfolgt eine einheitliche Authentifizierung, die Fernkonfiguration sowie die koordinierte Planung der Arbeitsabläufe. Die Protokolle und Aufzeichnungen werden zentral verwaltet. Die angegebene Größe gilt auch für das ZQ50+ Kanäle mit konzentriertem gleichzeitigen Betriebystem.
Wenn die Kanäle, die aus einer Aggregationsnetzwerk stammen, nicht synchron sind, wird Sprechertrennung bei einer Inkonsistenz der Kanäle fehlschlagen. Dies muss vor Ort mit Hilfe von Aufnahmen mit übereinstimmendem Sprachton überprüft werden – nicht allein anhand der Ergebnisse eines einzelnen Kanals.
Checkliste der Akzeptanz
| # | Punkt | Methode | Pass Kriterium |
|---|---|---|---|
| 1 | Abdeckung bei Pickups | Rekord bei vier Ecken und dem weitesten Sitzplatz | Alles geht gut. |
| 2 | Lautstofftoleranz | Eine einzige Anwendung mit AC und Projektor aktiviert. | Die Fehlerrate nimmt nicht ab. |
| 3 | Multi-Sprechertrennung | Überlappende Aufnahmen von mehr als drei Sprechern | Keine gesamte Segment-Fehler - Zuordnung |
| 4 | Vorteile der Knochenleitung | Vergleichen Sie die Kanäle unter starkem Rauschen. | Die Verständlichkeit verbessert sich. |
| 5 | Kohärenz | Stresstest basierend auf der tatsächlichen Anzahl der Räume | ~20% Spielraum |
| 6 | Aufnahmen/Audio-Dateien zusammenfassen/Verarbeiten | Mehrraum-Netzwerkbetriebssimulationen | Die Zeitstempel sind ausgerichtet. |
| 7 | Knotenkontrolle | Eine einheitliche Konsole für mehrere Hosts | Authentifizierung / Konfiguration / Zeitpläne für die Arbeit |
| 8 | Subtitel und Wiedergabe | Überprüfen Sie die Ausgabe von HDMI. | Sprecher / Zeitraum / Originaltext / Übersetzung |
Die Punkte 1 und 2 werden am häufigsten übersehen.: Einmal die Tests in der Nähe des Podests durchführen – und einmal in einem ruhigen Raum. Das ist die klassische Situation, in der man „Erfolge erzielt, aber in der Produktion scheitert“.
Weiterführende Literatur: Beyond 98% accuracy: five engineering stages that decide minutes quality | Running meeting transcription on Ascend 310P | Choosing an on-premise ASR solution
FAQ
Q: Warum liefert dasselbe Modell in verschiedenen Besprechungsräumen ganz unterschiedliche Genauigkeitswerte?
A: Da der maximale Genauigkeitsstand durch die eingegebenen Audiodaten bestimmt wird, kann ein Modell diesen Stand nur annähern – es darf ihn jedoch niemals überschreiten. Die Verluste im Fernbereich, die Reste von Reverberationen sowie der Klangstörung zwischen den verschiedenen Kanälen sind akustische Probleme, die durch keine Menge an Modellkapazität gelöst werden können. Je größer die Entfernung, auf die die Signale reichen, desto stärker ist die Reverberation im Raum. Je mehr Menschen gleichzeitig sprechen, desto geringer wird der verwendbare Signal-Fluss-Verhältnis und desto höher wird die Fehlerrate.
Q: Was ist der Unterschied zwischen einem omnidirektionalen und einem herkömmlichen Mikrofon?
A: Ein omnidirektionaler Mikrofon hat eine etwa gleichbleibende Empfindlichkeit in jeder Richtung. Dies ist ideal für Personen, die um einen Tisch herum sitzen. Ein herkömmlicher Mikrofon ist hingegen eher lokalisiert – er funktioniert gut, wenn er in der Nähe eines Sprechers platziert wird. Doch seine Leistung verschlechtert sich stark, sobald sich die Personen bewegen oder mehrere Personen gleichzeitig sprechen. Konferenzräume benötigen außerdem eine Möglichkeit zur Unterdrückung von Lärm und zur Beseitigung von Echo-Effekten. Die Fähigkeit, Aufnahmen zu machen, und die Fähigkeit, diese Aufnahmen zu übersetzen, sind zwei unterschiedliche Dinge.
Q: Wofür dient die Bone-Conduction-Technologie?
A: Die Bone-Conduction-Technologie erfasst die Vibrationen über eine feste Oberfläche – und nicht über die Luft. Ihre Vorteile zeigen sich insbesondere bei starkem Lärmpegel: Wenn der Luftdruck durch Klimaanlagen, Projektorschaufeln oder Außenlärm bereits den Signal-/Lärm-Verhältnis beeinträchtigt hat, bleibt der sprachliche Teil der Signale, der durch diese Technologie erfasst wird, relativ intakt.
Q: Was bedeutet eigentlich ein Abstand von 5 bis 10 Metern zwischen den beiden Objekten?
A: Es legt die Größe des Raumes fest, den ein einzelnes Mikrofon abdecken kann. Mit einem Desktop-Mikrofon sowie einem externen omnidirektionalen Mikrofon beträgt die effektive Reichweite etwa 5 bis 10 Meter – das ist ausreichend für kleine und mittelgroße Besprechungsräume. Über diese Reichweite hinaus nimmt die Sprachenergie ab, während die Resonanz zunimmt. Eine höhere Empfindlichkeit führt dazu, dass nicht nur die Sprache, sondern auch der Lärm verstärkt wird. Die richtige Lösung besteht darin, mehr Empfangspunkte zu haben – nicht mehr Gänge.
Q: Wie wähle ich die Anzahl der gleichzeitig verfügbaren Kanäle aus?
A: Berechnen Sie die Anzahl der Räume, in denen gleichzeitig Meetings stattfinden können. Ein kleiner Raum benötigt einen Desktop-Host. Für mehrere Räume auf Ebene eines Departements ist ein 5-Kanallaser Server erforderlich. In Unternehmen oder medizinischen Einrichtungen, in denen mehrere Räume parallel betrieben werden, ist ein 10-Kanallaser-Server notwendig. Mehrere Hosts können auch als Cluster verwaltet werden – mit einer einheitlichen Authentifizierung, Fernkonfiguration und koordiniertem Zeitplanungssystem. Die geschätzte Anzahl an Kanälen für die parallele Ausführung von Aufgaben beträgt über 50.
Q: Wie wird die Audiowirklichkeit aus mehreren Besprechungsräumen zusammengefasst?
A: Die Server auf Abteilungsebene unterstützen die verteilte Audioverarbeitung über das Netzwerk: Die Audiodaten aus mehreren Räumen werden auf einen Server gesammelt, wo sie anschließend verarbeitet werden. Eine Webkonsole dient zur Verwaltung dieser Daten. Dadurch wird es möglich, dass für jeden Raum ein separates System nicht benötigt wird. Zudem können Transkripte und Aufnahmen zentral verwaltet werden.
Q: Müssen die Hardwarekomponenten für die Erfassung sowie das Sprachtranskription-Engine von derselben Anbieter stammen?
A: Nicht unbedingt – aber die Kompatibilität der Schnittstellen sowie die Synchronisierung der Zeiten müssen überprüft werden. Die Sprachtranskription-Side verwendet in der Regel USB-Omnidirektionalmikrofone oder Audioquellen aus lokalen Besprechungssystemen über Standard-Schnittstellen. Wenn die Aufnahme- und Sprachtranskription-Quellen von verschiedenen Herstellern stammen, muss überprüft werden, ob die Audiostandard, die Abtastrate sowie die Zeitstempel übereinstimmen. Andernfalls wird die Sprechertrennung nicht funktionieren, da die Kanäle nicht korrekt angeordnet sind.
Q: Wie wird die Datensicherheit bei der Verwendung von Erfassungsgeräten in einer lokalen Infrastruktur gewährleistet?
A: Die Recorder-Klasse von Geräten synchronisieren die Aufnahmen an einen lokalen Server – nicht an den Cloud-Service. Die Sprachtranskription sowie die Besprechungsprotokoll-Generierung werden vollständig lokal ausgeführt. Dadurch verlassen Audio- und Textdaten niemals die Intranet-Systeme. Während des Selektierens sollten Sie sicherstellen, dass der Synchronisationszielserver ein lokaler Server ist und dass der Synchronisationskanal selbst verschlüsselt ist.