Cómo resolvemos el acento chino e inglés ASR en el sudeste asiático (90%+ de precisión)
El chino y el inglés del sudeste asiático llevan acentos pesados: mandarín singapurés / malasio, singlish, manglish, inglés tailandés / vietnamita. El SaaS genérico ASR y los modelos de código abierto como Whisper y ASR abierto de Microsoft luchan allí. VoiVision vuelve a entrenar en miles de horas de habla acentuada para empujar el acento del mandarín y el inglés más allá del 90% de precisión.
En el sudeste asiático, el acento estándar no existe
Para el chino y el inglés ASR, es fácil suponer que los corpus de entrenamiento de "mandarín estándar" y "inglés británico / americano" son suficientes. En el momento en que su negocio llega al sudeste asiático, esa suposición colapsa.
En el sudeste asiático no hay un "acento estándar" - una reunión puede mezclar el mandarín singapurés, mandarín malasio y singlish, con acentos, palabras prestadas y dialectos entrelazados. Los modelos genéricos de ASR apenas hacen frente.
Es por eso que muchos equipos de globalización informan: el SaaS reconocimiento de voz que funcionaba perfectamente a nivel nacional de repente "no puede entender a la gente " en salas de reuniones en Singapur, Kuala Lumpur y Bangkok.
Por qué fallan los modelos SaaS y de código abierto
Ejecutamos las soluciones comunes de venta contra escenarios reales del sudeste asiático. El veredicto fue coherente:
| Solución | Desempeño en acentos asiáticos | Causa Raíz |
|---|---|---|
| SaaS genérico ASR | Mayor tasa de error de palabras | Entrenado en mandarín estándar / inglés británico-americano; cobertura de acento débil |
| El OpenAI Whisper | Más errores bajo acentos fuertes | El modelo base tiene una robustez de acento limitada; necesita un ajuste preciso |
| Microsoft de código abierto ASR | Gran error en la mezcla de palabras prestadas / dialectos | No hay modelado dedicado de palabras y acentos prestados multilingües del SE asiático |
El conflicto principal: La capacidad lingüística de estos modelos se basa en el habla estándar, mientras que la comunicación diaria en el sudeste asiático se basa en capas tras capas de cambio de acento.
- Mandarín asiático: Mandarín singapurés y malasio incrusta palabras en inglés directamente ("Yo reservo la habitación lah") y mezcla en términos del dialecto Hokkien, Teochew y Hakka;
- por Inglés asiático Singlish y Manglish usan la entonación de estilo chino; el inglés tailandés y vietnamita difieren bruscamente del inglés británico / americano en consonantes y discurso conectado.
Los modelos genéricos que decodifican por "sonido estándar" naturalmente caen en error en estas entradas.
El enfoque de VoiVision: Reentrenamiento en miles de horas
En lugar de forzar a un "modelo universal" para manejar cada acento, nosotros Reentrenar el modelo con la propia voz del sudeste asiático:
- por Recopilación de discursos en la región Construir un corpus en mandarín + inglés de Miles de horas que abarca múltiples acentos nacionales, extraído de la comunicación real en Singapur, Malasia, Tailandia, Vietnam y más;
- por Reentrenamiento adaptativo Aplicar la adaptación del acento en la parte superior de la capacidad base para que el decodificador aprenda los cambios de pronunciación comunes, tonos y patrones de palabras prestadas de la región;
- Inyección de dominio palabra clave: inyecta dinámicamente los términos, nombres y abreviaturas de la industria del cliente como palabra clave para reducir aún más la tasa de error de palabras en escenarios profesionales;
- por Ingeniero para la producción combinar con el procesamiento en el dispositivo de nuestro ASR Recognition Optimization solution (AGC / AEC / ANC + inyección de pantalla OCR palabra clave) para ejecutar el modelo entrenado en las instalaciones del cliente.
Resultado: Mandarín acentuado y inglés acentuado ≥ 90%
Medido en reuniones reales con clientes del sudeste asiático y audio del centro de llamadas:
- Mandarín acentuado (Singapurés / Mandarín Malasia, etc.) Precisión ≥ 90%;
- Inglés acentuado (Singlish, Manglish, inglés tailandés / vietnamita, etc.) Precisión ≥ 90%;
- La tasa de error de palabras en palabras prestadas y enunciados mezclados con dialectos disminuye bruscamente frente a SaaS / Whisper genérico.
La clave no es "un modelo más grande " sino" un modelo que entienda el sonido de esta tierra. "Miles de horas de discurso en la región convierten" no entiende " en "oye claramente ". "
Ingeniería y cumplimiento: requisitos difíciles para ser global
El sudeste asiático a menudo implica límites de cumplimiento transfronterizo y de residencia de datos. El modelo reentrenado de VoiVision no se basa en la inferencia de la nube pública:
- Los barcos con los Speech Engine (software only) y VV05 / VV10 on-prem servers;
- Funciona totalmente on-premise, latencia de extremo a extremo Menos de 1 segundo;
- Audio y transcripciones Nunca salga de las instalaciones, cumplimiento de cumplimiento para empresas de globalización y multinacionales;
- Integra con WeCom / DingTalk / Feishu OA - ver OA Integration in Practice.
Casos de uso típicos
- Reuniones multinacionales: equipos en Singapur, Kuala Lumpur y Bangkok en una llamada, transcrita con precisión a pesar de acentos mixtos;
- Centro de llamadas asiático: auto-transcripción de voz y QA de las llamadas de soporte en inglés tailandés / vietnamita;
- Formación y talleres transfronterizos: captura estructurada de discusiones y entrenamiento con múltiples acentos.
Recomendaciones de Rollout
- Evaluación primero: envíenos grabaciones reales de sus equipos del sudeste asiático para un punto de referencia de reconocimiento de acentos para ver la brecha actual de errores de palabras;
- Retrain: construye un retrain específico de la región más personalización palabra clave en miles de horas de habla acentuada;
- Despliegue: go private, integrándose con OA y sistemas de grabación existentes.
¿Necesita una evaluación de reconocimiento de acentos para su negocio del sudeste asiático? Book a Demo y nuestro equipo técnico le darán un plan de reciclaje concreto y una base de precisión.
FAQ
Q: ¿Qué es exactamente lo que hace que el sudeste asiático reconocimiento de voz sea tan difícil?
A: Es la mezcla de acento + palabras prestadas + dialecto. Mandarín singapurés y malasio toman prestado en gran medida del inglés y dialectos chinos del sur; inglés del sudeste asiático (singlish, manglish, tailandés / vietnamita inglés) difiere bruscamente del inglés británico / americano en fonología, tono y discurso conectado. Los modelos genéricos entrenados en el discurso "estándar " simplemente no reconocen estos acentos en masa.
Q: ¿Por qué Whisper y el software de código abierto ASR de Microsoft tienen un bajo rendimiento en el sudeste asiático?
A: Sus modelos base están entrenados principalmente en mandarín estándar y inglés británico / americano, con una cobertura de acento débil. Sin la adaptación específica del acento tienen altas tasas de error de palabras en acentos fuertes como el mandarín singapurés o el singlish; la adaptación efectiva requiere cuerpos acentuados específicos para el ajuste fino.
Q: ¿Cómo logra VoiVision alcanzar una precisión de más del 90%?
A: El núcleo es "reentrenar en miles de horas de discurso acentuado del sudeste asiático. "Recolectamos audio en mandarín e inglés que abarca múltiples acentos nacionales, luego aplicamos la adaptación del acento más la inyección de dominio palabra clave para volver a entrenar el modelo para que el decodificador entienda los cambios de pronunciación comunes y las palabras prestadas, ofreciendo una precisión de más del 90% tanto para el mandarín acentuado como para el inglés acentuado.
Q: ¿Qué acentos específicos se admiten?
A: Ya cubrimos acentos típicos del sudeste asiático - mandarín singapurense, mandarín malasio, singlish, manglish, inglés tailandés, inglés vietnamita - y soportamos la personalización adicional del acento por país / por industria y la mejora de palabra clave.
Q: ¿Se puede implementar de forma privada con baja latencia?
A: Sí, sí. El modelo se envía con nuestro [Speech Engine (software only)](/es/products/engine) y [VV05 / VV10 on-prem servers](/es/products/vv10), que se ejecutan completamente en las instalaciones (sala de servidores o nube) con latencia de extremo a extremo de menos de 1 segundo y sin datos que salgan de las instalaciones, satisfaciendo las necesidades de cumplimiento de las empresas que se extienden en el extranjero y las instituciones multinacionales.