La limite de précision est dans le microphone, pas dans le modèle : captation en salle et concurrence multicanaux pour des comptes rendus sur site
Pourquoi le même modèle ASR atteint 98% de réussite dans une salle de réunion, tandis qu’il n’atteint que 80% dans une autre salle? La différence ne provient généralement pas du modèle utilisé, mais plutôt de la capacité de la salle à capter les sons. Cet article explique en détail les différences entre les trois approches de captation des sons, comment la distance de capture et l’acoustique de la salle influencent les résultats, ce que les microphones omnidirectionnels combinés à la conduction osseuse peuvent vraiment apporter, et comment choisir la taille adéquate des microphones pour une salle unique ou pour plusieurs salles.
Le même modèle ASR atteint 98% dans une salle de réunion, tandis qu’il n’atteint que 80% dans une autre salle de réunion – c’est-à-dire Et la différence ne réside généralement pas dans le modèle lui-même. Elle réside plutôt dans la capacité de capture des données par le modèle..
De nombreuses évaluations se concentrent uniquement sur la question de savoir si le modèle est précis. Cependant, lors de l’acceptation du modèle, on se rend compte que, même après avoir configuré le lexique et ajouté des mots importants, le taux d’erreurs ne diminue pas. La raison en est simple:
Un modèle ne peut fonctionner que dans les limites de l’audio entré. Un son de mauvaise qualité ne peut être corrigé par aucun modèle.
Les valeurs indiquées comme étant des valeurs publiées proviennent du produit Spécifications. Les niveaux de performance correspondent à des valeurs de référence pour un environnement typique. Ces valeurs peuvent varier en fonction des conditions acoustiques, de la distance de captation et de la stratégie de concurrence utilisée. Il est donc nécessaire de les mesurer sur place.
L’exactitude maximale est déterminée par le niveau de précision au moment de la capture des données.
Commencez par un fait qui est facilement oublié: reconnaissance vocale est l’étape de la chaîne qui ne peut compenser ce qui a précédé.
Un modèle peut corriger le problème suivant: « Ce mot a peut-être été mal reconnu ». Mais il ne peut pas corriger le problème suivant: « Cette phrase n’a jamais été enregistrée clairement ». Ce dernier problème se manifeste acoustiquement sous forme de trois problèmes distincts.
| Problème de son | Causes acoustiques | Il est possible de le corriger en utilisant un modèle plus efficace. |
|---|---|---|
| Atténuation dans le champ de l’onde | L’énergie sonore diminue à mesure que la distance augmente. De plus, le rapport signal/bruit se détériore également. | Fondamentalement, non. |
| Résidus de réverbération | Les reflets dans la pièce contaminent le discours. | Partiellement |
| Corsetage multi-canal | Parler en parallèle, mélange des différents canaux de communication | Non |
À mesure que la distance de réception augmente, l’énergie liée à la parole vocale diminue considérablement, tandis que le bruit ambiant reste stable. Par conséquent, le rapport signal/bruit diminue. Augmenter la sensibilité au niveau de cette zone signifie que le bruit est amplifié, tout en augmentant également l’intensité du son vocal. Cela rend le son plus fort, mais l’exactitude du signal peut en réalité diminuer.
Cela explique également pourquoi « le même moteur fonctionne très différemment dans différentes pièces ». Ce qui varie, ce n’est pas le moteur lui-même, mais la pièce dans laquelle il est placé.
Le véritable écart entre les trois approches de capture
La capture des séances de réunion se fait de trois manières principales. Il est donc important de choisir l’une d’entre elles.
| Approche | Principe | Plusieurs interprètes | L’hébergement local est adapté. |
|---|---|---|---|
| Microphone omnidirectionnel, conçu pour des applications spéciales. | Matrice de microphones + traitement du signal en matrice | Robuste, conçu pour être utilisé par des personnes qui se réunissent autour d’une table. | natifs |
| Mixage des caractéristiques du système de réunion | Reprend les données de sortie mixtes du système existant. | De taille moyenne, limitée par ce système | Il est nécessaire de vérifier l’intégrité de cette intégration. |
| Enregistrement local du logiciel | Le logiciel client enregistre l’audio local. | Faible, seul canal disponible | Généralement inadapté |
Les Microphones omnidirectionnels, conçus pour des applications spéciales. sont conçus pour être utilisés par des personnes assises autour d’une table. La sensibilité des microphones est relativement uniforme dans toutes les directions. De plus, grâce à la suppression du bruit et à l’élimination des résonances, les différents microphones permettent une qualité de son stable. Le côté transcription vocale utilise des microphones omnidirectionnels USB, qui se connectent via des interfaces standard. Les ordinateurs de bureau permettent également une installation simple avec un microphone externe.
Mixage des caractéristiques du système de réunion semble être une solution pratique: il s’agit de réutiliser l’entrée audio du système de réunion existant. Mais la qualité du mixage dépend entièrement de ce système. Si celui-ci a été conçu pour les oreilles humaines, son éventail dynamique et son rapport signal/bruit peuvent ne pas être suffisants pour un modèle informatique. Ce qui doit être vérifié, c’est Séparation des canaux dans les scénarios multiparties. En effet, lors du mixage, plusieurs canaux sont souvent combinés en un seul, ce qui fait que séparation des locuteurs n’a plus d’entrée utilisable.
Enregistrement local du logiciel est essentiellement un outil inadapté pour les déploiements sur site. Il ne permet pas de distinguer les différents intervenants lors d’une réunion à plusieurs personnes. De plus, il nécessite l’installation d’un client spécifique pour fonctionner correctement.
Modes de défaillance communs
- Traiter « can record » comme « can transcribe »: L’audio du système de réunion est mixé pour les oreilles humaines, et non pour les modèles.
- Seuls les tests effectués à proximité du podium sont pris en compte.: Les quatre coins et le siège le plus éloigné représentent les véritables conditions de fonctionnement.
- Ignorer le nombre de canaux disponibles: Une fois que les canaux sont regroupés en un seul, séparation des locuteurs n’a plus aucune fonction d’entrée.
Distance de pickup et acoustique de la pièce
La distance de réception est un paramètre qui est le plus souvent posé par les utilisateurs. En général, les réponses à cette question sont assez vagues. Avec un ordinateur de bureau et un micro omnidirectionnel externe, la zone de réception efficace s’étend approximativement sur une zone de De 5 à 10 mètres. Cela convient bien aux salles de réunion de petite et moyenne taille.
La réponse correcte est Plus de points de collecte possibles., et non “plus de sensibilité”. Cela est déterminé par les propriétés acoustiques: l’énergie du discours diminue avec la distance, tandis que le bruit ne diminue pas. Par conséquent, l’amplificateur augmente également l’énergie des deux types de sons de manière égale.
L’acoustique des pièces est tout aussi importante:
- Les murs en verre, les sols lisses et les grandes pièces vides reflètent clairement les sons environnants, ce qui contribue à polluer le son de la parole par ces échos propres aux lieux.
- Bruit en état de stabilité: climatisation, projecteurs, trafic extérieur… Ces éléments ont des spectres stables et peuvent être traités de manière algorithmique, du moins en principe.
- Bruit temporaire: Mouvement de la chaise, porte qui s’ouvre violemment, vibrations du téléphone… Ce sont les causes les plus courantes qui peuvent entraîner l’effondrement d’un ensemble entier.
Effectuer deux passages lors de l’acceptation.: L’un des salles dispose d’un système de climatisation et d’un projecteur en fonctionnement (conditions réelles). L’autre salle est située dans une pièce calme. Un test effectué uniquement dans une pièce calme ne constitue pas un véritable test. La plupart des salles de réunion présentent un niveau de bruit de fond de l’ordre de 40 à 50 décibels.
Des microphones bidirectionnels et capables de transmettre les sons depuis deux directions différentes… + Conduction osseuse: pas plus de microphones nécessaires.
L’instinct commun lors de l’utilisation de enregistreurs portables est d’ajouter davantage de microphones. Mais le nombre de microphones n’a pas d’impact sur la qualité de l’enregistrement. De multiples microphones, sans traitement du signal, ne font que capter plusieurs versions bruyantes du même signal.
L’approche efficace est Mécanismes de récupération complémentaires.
| Mécanisme | Ce que cela capture… | force | Faiblesse |
|---|---|---|---|
| Conduction aérienne (omni-mic) | Ondes sonores | Large bande passante, naturellement | L’SNR s’effondre sous l’effet du bruit intense. |
| Conduction osseuse | Vibrations à travers les surfaces solides | L’intelligibilité est préservée même dans des conditions de bruit intense. | La bande étroite nécessite un contact direct avec le produit. |
Le cas de la conduction osseuse est particulier.: Lorsque le bruit causé par la climatisation, les ventilateurs du projecteur ou autres sources de bruit extérieures détruit déjà l’signal sonore, la partie du signal vocal capturée par le microphone reste relativement intacte. Ce n’est pas une simple solution de “ajouter un autre microphone” – c’est en fait un canal de capture indépendant.
Par exemple, une carte d’enregistrement personnelle utilise un design Microphone bidirectionnel, avec fonction de conduction osseuse.. Son rayon d’action est de 5 à 10 mètres. Les enregistrements sont automatiquement synchronisés sur un serveur local. Cela permet de créer une chaîne de processus: enregistrement simple, transcription par l’IA, puis stockage dans une base de connaissances. Ce système est idéal pour les travaux mobiles, les entretiens et les recherches sur le terrain, où une installation fixe n’est pas possible.
D’une pièce à plusieurs pièces: mesure de la concurrence
Une fois que la capture est réussie, la prochaine question est de savoir comment procéder. Il y a ici une erreur courante: on considère les “canaux par boîte” comme la seule mesure à prendre en compte.
Les scénarios réels nécessitent deux comptages distincts.: plusieurs instances séparation des locuteurs au sein d’une même pièce, ainsi que le parallélisme entre différentes pièces. La première de ces instances est séparation des locuteurs à l’intérieur d’un flux audio, la seconde est Plusieurs flux audio transcrits en parallèle – elles consomment de l’énergie informatique de manière très différente.
Trois niveaux par pièce.
| Tier | Utilisation du cas | Configuration typique | Principaux métriques |
|---|---|---|---|
| Hôte de bureau | Une petite pièce individuelle, avec un bureau personnel. | 46 TOPS: processeur de pointe, 8 Go de mémoire, stockage extensible de 128 Go. | Temps de latence inférieur à 1 seconde (publié) |
| Serveur de département | Centres de recherche et développement, antennes financières, chaînes régionales | 5 canaux simultanés, 166 TOPS, 24 Go de mémoire à haut débit. | L’attente entre les deux extrémités est inférieure à 1,5 seconde. |
| Serveur d’entreprise | Administration publique, défense, finances, domaines médicaux et autres secteurs nécessitant un haut niveau de conformité. | 10 canaux simultanés, 326 TOPS, 48 Go de mémoire à haut débit. | Le temps de latence entre les deux extrémités est inférieur à 1 seconde. |
Sous la condition que “les salles puissent accueillir des réunions simultanément”, et en laissant une marge de 20% pour les cas d’urgence. pour les sessions ad hoc. Exploiter un serveur d’entreprise pour une seule salle est une perte de temps; exploiter des serveurs de bureau pour plusieurs salles en parallèle signifie qu’il y a des files d’attente.
De multiples salles: agrégation de l’audio et contrôle des clusters.
Les serveurs au niveau du département prennent en charge le fonctionnement de Distribution d’audio sur le réseau: les données audio provenant de plusieurs salles sont regroupées sur un seul serveur afin d’être traitées de manière uniforme. Un contrôleur Web est également disponible pour la gestion des informations. Cela permet d’éviter l’installation de systèmes distincts pour chaque salle, et permet de gérer centralement les transcriptions et les enregistrements.
À plus grande échelle, plusieurs hôtes sont gérés via un système Plateforme de gestion pour le contrôle du cluster: authentification unifiée, configuration à distance et planification coordonnée des tâches. Les enregistrements et les données relatives aux actions effectuées sont gérés de manière centralisée. Ce principe s’applique également au système 50+ canaux de traitement en parallèle.
Si les canaux provenant d’une réseau de collecte ne sont pas synchronisés, le système séparation des locuteurs échouera en raison d’une mauvaise alignement des canaux. Il est nécessaire de vérifier cela sur place, en utilisant une enregistrement audio contenant du texte surjoué. Il ne faut donc pas se fier aux résultats obtenus avec un seul canal.
Checklist d'acceptation
| # | Item | Méthode | Critère Pass |
|---|---|---|---|
| 1 | Couverture de prise en charge | Enregistrer les scores aux quatre coins du terrain, ainsi que pour le siège le plus éloigné du centre du terrain. | Tout passe |
| 2 | Tolérance au bruit | Un passage avec l’AC et le projecteur allumé. | Le taux d’erreur ne diminue pas. |
| 3 | Multi-séparation des locuteurs | Enregistrement combiné de plus de trois speakers | Pas d'attribution de segment entier |
| 4 | Bénéfices liés à la conduction osseuse | Compare les différents canaux lorsqu’ils sont soumis à un niveau de bruit élevé. | L’intelligibilité s’améliore. |
| 5 | Concurrence | Test de résistance basé sur le nombre réel de pièces de la maison | ~20% d’espace libre |
| 6 | Aggrégeur d’audio | Tests en réseau sur plusieurs salles | Les timestamps sont alignés. |
| 7 | Contrôle des clusters | Console unifiée à plusieurs hôtes | Authentification / configuration / planification du travail |
| 8 | Sous-titres et lecture des films | Vérifier le résultat de l’exécution de HDMI. | Orateur / temps / original / traduction |
Les points 1 et 2 sont les plus souvent oubliés.: tester une fois près du podium, dans une pièce tranquille… C’est le cas classique où les produits sont acceptés en phase de test, mais échouent lors des tests réels.
Pour en savoir plus: Beyond 98% accuracy: five engineering stages that decide minutes quality | Running meeting transcription on Ascend 310P | Choosing an on-premise ASR solution
FAQ
Q: Pourquoi le même modèle offre-t-il des précisions très différentes dans différents salles de réunion?
A: L’exactitude maximale du modèle est déterminée par le son entré. Un modèle ne peut donc que s’approcher de cette exactitude maximale, sans jamais la dépasser. L’atténuation des sons en dehors du champ de réception, les résidus de réverbération et les interférences entre les différents canaux audio sont des problèmes liés au son qui ne peuvent être résolus par aucune augmentation de la capacité du modèle. Plus la distance de réception est grande, plus la réverbération dans la pièce est forte. De plus, plus il y a de personnes qui parlent en même temps, plus le rapport signal-bruit devient faible, et plus le taux d’erreur augmente.
Q: Quelle est la différence entre un microphone omnidirectionnel et un microphone ordinaire?
A: Un micro omnidirectionnel possède une sensibilité uniforme dans toutes les directions. Cela est très pratique pour ceux qui se trouvent autour d’une table. Un micro classique, quant à lui, est directionnel: il fonctionne bien lorsqu’il est proche d’un seul interlocuteur. Mais son efficacité diminue rapidement lorsque plusieurs personnes parlent en même temps. Les salles de conférence nécessitent également une suppression du bruit et de l’écho. Le fait de pouvoir enregistrer des conversations et de pouvoir ensuite les transcrire est une chose importante.
Q: À quoi sert la réception par conduction osseuse?
A: Le capteur de conduction osseuse permet de capter les vibrations à travers une surface solide, plutôt que par l’air. Son avantage réside dans sa capacité à maintenir une qualité de transmission du son même dans des conditions de bruit intense: lorsque le bruit provenant de la climatisation, des ventilateurs ou du bruit ambiant a déjà détérioré la qualité du signal sonore, le signal vocal capturé par ce capteur reste relativement intact.
Q: Quel est donc le sens d’un rayon de portabilité de 5 à 10 mètres?
A: Cela définit la taille de la pièce que un seul micro peut couvrir. Avec un écouteur de bureau et un micro omnidirectionnel externe, l’écoute est efficace sur une distance d’environ 5 à 10 mètres. Cela convient bien aux salles de réunion de petite à moyenne taille. Au-delà de cette portée, l’énergie vocale diminue, tandis que le bruit se accumule. Augmenter la sensibilité du microphone ne fait qu’amplifier le bruit, ainsi que les sons de fond. La bonne solution est d’avoir davantage de points d’écoute, plutôt que d’augmenter la puissance du microphone.
Q: Comment choisissez-vous le nombre de canaux simultanés que je peux utiliser?
A: Comptez le nombre de salles pouvant accueillir des réunions en même temps. Une petite salle nécessite un seul serveur de bureau; pour des salles multiples au niveau de la départementale, il est nécessaire d’utiliser un serveur à 5 canaux. En revanche, pour les installations situées au siège social, auprès du gouvernement ou dans les établissements médicaux, où plusieurs salles fonctionnent en parallèle, il est nécessaire d’utiliser un serveur à 10 canaux. De plus, plusieurs serveurs peuvent être gérés ensemble, en utilisant une méthode de gestion de cluster, avec une authentification unifiée, une configuration à distance et un planning coordonné. Le nombre de canaux possibles est donc supérieur à 50.
Q: Comment l’audio provenant de plusieurs salles de réunion est-il regroupé?
A: Les serveurs au niveau du département permettent l’agrégation audio distribué via le réseau: les sons provenant de plusieurs pièces sont aggrégés sur un seul serveur, afin d’être traités de manière uniforme. Une console web est également disponible pour la gestion des informations. Cela évite l’instauration de systèmes distincts pour chaque pièce, et permet une gestion centralisée des transcriptions et des enregistrements.
Q: Les équipements de capture et le moteur transcription vocale doivent-ils provenir du même fournisseur?
A: Ce n’est pas nécessairement le cas, mais il est indispensable de vérifier la compatibilité des interfaces et la synchronisation des horloges. La partie transcription vocale utilise généralement des microphones omnidirectionnels USB ou du son provenant de systèmes de réunion locaux, via des interfaces standard. Si les capteurs de transcription vocale proviennent de différents fournisseurs, il est nécessaire de vérifier le format audio, le taux d’échantillonnage et l’alignement des timestamps. Sinon, séparation des locuteurs échouera en raison d’une mauvaise alignation des canaux.
Q: Comment la sécurité des données est-elle gérée pour les équipements de capture utilisés dans une déploiement local?
A: Les dispositifs de la classe Recorder synchronisent les enregistrements avec un serveur local, et non avec le cloud. De plus, la génération des fichiers transcription vocale et compte rendu de réunion se fait entièrement localement, de sorte que l’audio et le texte ne quittent jamais l’intranet. Lors du processus de sélection, veuillez vérifier que la cible de synchronisation est bien un serveur local, et que le canal de synchronisation est crypté.