Il limite di precisione è nel microfono, non nel modello: cattura in sala e concorrenza multicanale per verbali on-premise
Perché lo stesso modello ASR raggiunge il 98% dei risultati in una sala conferenze, mentre in un’altra sala il valore è soltanto del 80%? La differenza non deriva solitamente dal modello utilizzato, ma dalla capacità della sala di registrare i suoni. Questo articolo analizza le differenze tra i tre metodi di registrazione, come la distanza di rilevamento dei suoni e l’acustica della sala influenzano i risultati, cosa fanno davvero i microfoni omni-direzionali e la tecnologia di trasmissione dei suoni attraverso le ossa, e come si possono regolare le caratteristiche del sistema per ottenere migliori risultati in una singola sala conferenze o in ambienti più grandi.
Lo stesso modello ASR raggiunge il 98% di efficacia in una sala riunioni; in un’altra sala, invece, l’efficacia è soltanto del 80%. E la differenza, di solito, non risiede nel modello utilizzato. La differenza sta nella capacità di catturare le informazioni richieste..
Molte valutazioni considerano l’intero budget in relazione all’accuratezza del modello utilizzato. Tuttavia, durante il processo di accettazione del progetto, si scopre che, anche con l’aggiunta del lessico necessario e delle parole chiave, il tasso di errore non diminuisce affatto. La ragione è semplice:
Un modello può funzionare soltanto entro i limiti dell’audio in ingresso. Un audio di scarsa qualità non può essere riparato da alcun modello.
I valori indicati come “valori pubblicati” provengono dal prodotto Specifiche. I livelli di prestazione sono valori di riferimento per l’ambiente tipico; tali valori variano in base alle condizioni acustiche, alla distanza di ricezione e alla strategia di gestione della concorrenza. È necessario misurare questi valori direttamente sul posto.
L’efficienza massima di rilevamento si ottiene all’atto della cattura dei dati.
Iniziamo con un fatto che è facile trascurare: riconoscimento vocale è quel singolo stadio della catena che non può compensare ciò che è accaduto prima di esso..
Un modello può correggere il fatto che “questa parola potrebbe essere stata fraintesa”. Tuttavia, non può correggere il problema legato al fatto che “questa frase non è mai stata registrata chiaramente”. Questo problema si manifesta acusticamente in tre aspetti diversi.
| Problemi di audio | Cause acustiche | È possibile correggere il problema utilizzando un modello migliore. |
|---|---|---|
| Attenuazione nel campo distante | L’energia del suono diminuisce con la distanza; inoltre, il rapporto segnale-rendimento peggiora. | In pratica, no. |
| Risultato di reverbazione | I riflessi proiettati dalle stanze contaminano il discorso. | Parzialmente |
| Crosstalk multi-canale | Parole sovrapposte, mescolamento dei canali di comunicazione | No, non |
Man mano che la distanza di raccolta aumenta, l’energia relativa alla voce viene ridotta drasticamente, mentre il rumore ambientale rimane invariato. Di conseguenza, il rapporto segnale/rumore diminuisce. Aumentare la sensibilità in quel punto comporta un aumento del rumore, insieme all’aumento del livello di chiarezza della voce. Tuttavia, questo comportamento può peggiorare l’accuratezza delle informazioni trasmesse.
La conclusione è questa: la “cattura” rappresenta la prima variabile all’interno di tutta la catena. Questo spiega anche perché “lo stesso motore funziona in modo molto diverso in ambienti diversi”. Ciò che cambia non è il motore, ma l’ambiente in cui esso opera.
Il vero divario tra i tre metodi di cattura…
La registrazione delle riunioni avviene in tre modi principali. È necessario scegliere il metodo più appropriato per ottenere il risultato desiderato.
| Approccio | Principi | Multispeaker | Sistema local: adatto per l’uso in ambienti fisici. |
|---|---|---|---|
| Microfono omni-direzionale, progettato appositamente per le esigenze di utilizzo in ambienti difficili. | Array di microonde + elaborazione dei segnali in formato array | Resistente, progettato per essere utilizzato da persone che si trovano intorno a un tavolo. | nativi |
| Sintesi del mix dei sistemi di gestione delle riunioni | Riprende l’output misto del sistema esistente. | Di dimensioni medie, limitate da quel sistema. | È necessario verificare l’integrazione dei vari elementi inseriti nel sistema. |
| Software per la registrazione locale | Il software client registra il suono audio proveniente dal dispositivo utilizzato dall’utente. | Deboli, solo un canale di comunicazione | In generale, non adatto. |
I Microfoni per l’uso in tutte le direzioni, progettati appositamente per questo scopo. sono progettati per le persone che si trovano sedute attorno a un tavolo: la sensibilità dei microfoni è circa uniforme in tutte le direzioni. Inoltre, grazie alla funzione di soppressione del rumore e alla cancellazione degli echi, i microfoni mantengono una qualità di registrazione stabile. Il modello trascrizione vocale utilizza microfoni omni-direzionali USB, che possono essere collegati tramite interfacce standard. I dispositivi desktop supportano inoltre la connessione dei microfoni esterni in modo semplice e rapido.
Sintesi del mix dei sistemi di gestione delle riunioni sembra essere una soluzione conveniente: permette di utilizzare nuovamente l’output audio del sistema di riproduzione audio esistente. Tuttavia, la qualità della mixazione dipende interamente da quel sistema stesso. Se il sistema è stato progettato per essere ascoltato dagli esseri umani, allora l’intervallo dinamico e il rapporto SNR potrebbero non essere sufficienti per un modello musicale. Quello che bisogna verificare è Separazione dei canali in scenari multipartitici: infatti, nella fase di mixaggio, spesso vengono combinati diversi canali in uno solo, lasciando così separazione dei parlanti senza alcuna entrata utilizzabile.
Software per la registrazione locale è praticamente inadatto per l’utilizzo in ambienti locali: cattura soltanto un canale di comunicazione, non permette di distinguere i vari interlocutori durante una riunione con più persone, e richiede l’installazione del software su un dispositivo cliente specifico.
Modalità di fallimento comuni
- Trattare “può registrare” come “può trascrivere”.: L’audio del sistema di riunione viene mixato per essere percepito dagli esseri umani, non per i modelli utilizzati nel sistema.
- I test vengono effettuati soltanto nelle vicinanze del podio.: I quattro angoli e il posto più lontano rappresentano le vere condizioni operative.
- Ignorare il numero di canali disponibili.: Una volta che i canali vengono fusi in uno solo, separazione dei parlanti non ha più alcun input.
Distanza di ascolto e acustica dell’ambiente in cui si svolge l’ascolto
La distanza di rilevamento dei suoni è un parametro che viene solitamente chiesto, ma le risposte fornite sono spesso vaghe. Con un host per computer e un microfono esterno omni-direzionale, l’area coperta dal microfono è approssimativamente Da 5 a 10 metri. Questo permette di utilizzare il microfono in piccole e medie sale conferenze.
La risposta corretta è Più punti di ritiro possibili., non “più sensibilità”. Questo dipende dall’acustica: l’energia del parlato diminuisce con la distanza, mentre il rumore no. Pertanto, l’amplificatore amplifica entrambi in modo uguale.
Anche l’acustica della stanza è molto importante:
- Le pareti di vetro, i pavimenti liscia e le grandi stanze vuote riflettono chiaramente i suoni, contaminando così il discorso verbale con i propri echi.
- Rumore in stato di equilibrio: Condizionatori d’aria, proiettori, sistemi per il controllo del traffico all’aperto… Questi elementi presentano uno spettro di funzionamento stabile e, almeno dal punto di vista algoritmico, sono facilmente gestibili.
- Rumore transitorio: movimento della sedia, porte che si chiudono con forza, telefoni che vibrano… Sono i motivi più comuni che causano il crollo di un intero sistema.
Eseguire due passaggi durante il processo di accettazione.: una sala con aria condizionata e proiettore funzionante (condizioni reali); un’altra sala invece è situata in un ambiente silenzioso (condizioni controllate). Un test eseguito soltanto in una sala silenziosa non rappresenta una vera e propria prova: nella maggior parte delle sale riunioni il rumore di fondo è compreso tra i 40 e i 50 decibel.
Microfoni duali in grado di registrare su entrambi i lati del corpo; inoltre, permettono anche la trasmissione delle informazioni tattili attraverso il osso. Non ci sono bisogno di altri microfoni.
L’istinto comune nei registratori portatili è quello di aggiungere più microfoni. Tuttavia, il numero dei microfoni non influisce sulla qualità delle registrazioni. Un numero elevato di microfoni, senza alcuna elaborazione del segnale, si traduce semplicemente nell’acquisizione di diverse copie rumorose dello stesso segnale.
L’approccio efficace è Meccanismi di recupero complementari.
| Meccanismo | Cosa viene catturata da essa? | Forza | Debollezza |
|---|---|---|---|
| Conduzione dell’aria (omni mic) | Onde sonore | Amplo spettro di risposte possibili; naturalezza. | L’SNR collassa a causa del forte rumore. |
| Conduzione ossea | Vibrazioni attraverso superfici solide | L’intelligibilità del testo sopravvive anche al rumore elevato. | La banda stretta richiede un contatto diretto. |
Il caso relativo al valore di trasmissione del suono attraverso i ossi è un caso particolare.: Quando il calore, i ventilatori del proiettore o i rumori esterni hanno già distrutto la qualità dell’audio trasmesso, la componente vocale catturata tramite il microfono rimane relativamente intatta. Non si tratta quindi di “un altro microfono”… è semplicemente un canale di acquisizione audio indipendente.
Ad esempio, una scheda di registrazione personale utilizza un design Microfono bidirezionale, in grado di trasmettere il segnale acustico attraverso sia le orecchie che il timpano. Inoltre, permette la trasmissione del segnale acustico attraverso il timpano, favorendo così una migliore ricezione del suono.; la sua portata di rilevamento è compresa tra i 5 e i 10 metri. Le registrazioni vengono automaticamente sincronizzate su un server locale, creando così una catena di processi: “registrazione con un solo click → trascrizione automatizzata → base di informazioni”. Questo tipo di sistema è ideale per lavori mobili, interviste e ricerche sul campo, dove non è possibile effettuare una distribuzione fissa delle unità di registrazione.
Da una stanza a molte stanze: dimensionamento della concorrenza
Una volta risolto il problema legato alla cattura dei nemici, la prossima domanda è quella relativa ai “canali utilizzabili”. C’è un errore comune da evitare: si trascura il fatto che i “canali disponibili per ogni casella” non rappresentano l’unico indicatore importante per valutare la situazione.
Nei casi reali, è necessario considerare due aspetti distinti.: molteplici separazione dei parlanti all’interno di una stessa stanza; inoltre, esiste anche il parallelismo tra diverse stanze. Il primo caso è separazione dei parlanti all’interno di un singolo flusso audio, il secondo caso è Flussi audio multipli trascritti in parallelo… Questi due casi comportano consumi di risorse computazionali molto diversi tra loro.
Tre livelli, su scala per camera:
| Tier | Uso del caso | Configurazione tipica | Punti chiave/metriche importanti |
|---|---|---|---|
| Host per desktop | Stanza piccola e singola; arredata con un tavolo personale. | 46 TOPS: processore ad alte prestazioni, 8 GB di memoria, 128 GB di spazio di archiviazione espandibile. | Tempo di latenza inferiore a 1 secondo (pubblicato) |
| Servizio del dipartimento | Centri di ricerca e sviluppo, filiali finanziarie, catene regionali | 5 canali contemporanei, 166 TOPS, 24 GB di memoria a banda alta | L’attesa tra l’inizio e la fine dell’operazione è inferiore a 1,5 secondi. |
| Server aziendali | Governo, difesa, finanze, ambiti medici e altri settori che richiedono un’elevata standardizzazione dei processi. | 10 canali contemporanei, 326 TOPS, 48 GB di memoria a banda alta. | L’RTF è inferiore a 0,3; il tempo di latenza end-to-end è inferiore a 1 secondo. |
Dimensionamento in base al numero di “stanze” in cui si svolgono le riunioni contemporaneamente. Si deve lasciare un margine di sicurezza del 20% rispetto a Chi siamo. è utilizzato per le sessioni ad hoc. Gestire un server per una sola stanza è una perdita di tempo; invece, gestire host per diversi ambienti paralleli significa dover gestire delle code di attesa.
Diverse stanze: aggregazione dell’audio e controllo dei cluster.
I server a livello di dipartimento supportano il protocollo Aggregazione dell’audio distribuito lungo la rete: l’audio proveniente da più stanze viene raccolto su un singolo server, per un trattamento unificato. È disponibile anche una consolle web per la gestione dei dati. In questo modo è possibile evitare la necessità di utilizzare sistemi separati per ogni stanza, e i contenuti audio e video vengono gestiti in modo centralizzato.
A livello più ampio, più di un host viene gestito attraverso un sistema Piattaforma di gestione per il controllo del cluster: autenticazione unificata, configurazione remota e pianificazione coordinata delle attività. I dati relativi alle operazioni vengono gestiti in modo centralizzato. Il numero di host che possono essere gestiti con questo sistema aumenta quando si passa a 50+ canali con condivisione della risorse in modo clusterizzato.
Se i canali che provengono da una rete di aggregazione non sono sincronizzati, il sistema separazione dei parlanti fallirà a causa della disallineamento dei canali. Questo aspetto deve essere verificato direttamente, utilizzando un’registrazione audio con contenuti sovrapposti; non si può quindi basare la valutazione sui risultati ottenuti da un singolo canale.
Checklist di accettazione
| # | Il punto | Metodo | Criteri di passaggio |
|---|---|---|---|
| 1 | Copertura per le visite a domicilio | Rivoluzionario: un posto in quattro angoli del tavolo… e il posto più lontano possibile. | Tutti passano |
| 2 | Tolleranza al rumore | Una sola passata con l’AC e il proiettore attivo. | Il tasso di errore non diminuisce. |
| 3 | Multi-separazione dei parlanti | Registrazione di tre o più speaker che si sovrappongono tra loro | Nessun segmento di errore di attribuzione |
| 4 | Vantaggi legati alla trasmissione dei suoni attraverso i ossi | Confronta i canali che sono soggetti a livelli elevati di rumore. | La comprensibilità del testo migliora. |
| 5 | Concordanza/Coordinazione | Test di stress basato sul numero effettivo delle stanze presenti nella struttura. | ~20% di spazio libero per le variazioni di carico. |
| 6 | Aggiornamento audio | Test con rete di più ambienti | I timestamp sono allineati tra loro. |
| 7 | Controllo dei cluster | Consolle unificata per più host | Autenticazione / Configurazione / Gestione degli orari di lavoro |
| 8 | Sottotitoli e riproduzione dei video | Verificare il output di HDMI. | Parlante / tempo / originale / traduzione |
I punti 1 e 2 sono quelli che vengono saltati più spesso.: Testare una volta vicino al podio, in una stanza tranquilla… è proprio quel classico esempio di “viene accettato il prodotto, ma fallisce durante la produzione”.
Bibliografia: Beyond 98% accuracy: five engineering stages that decide minutes quality | Running meeting transcription on Ascend 310P | Choosing an on-premise ASR solution
FAQ
Q: Perché lo stesso modello può offrire livelli di accuratezza molto diversi, a seconda della sala in cui si svolge l’evento?
A: Il limite di accuratezza è determinato dall’audio in entrata; il modello può soltanto avvicinarsi a quel limite, ma non superarlo mai. L’attenuazione del segnale in campi lontani, i residui di reverbazione e il fenomeno della sovrapposizione tra i vari canali audio sono problemi che nessun aumento delle capacità del modello può risolvere. Più è grande la distanza di ricezione del segnale, più è forte la reverbazione nella stanza; più persone parlano contemporaneamente, minore diventa il rapporto segnale-ruido, e maggiore è il tasso di errore.
Q: Qual è la differenza tra un microfono omni-direzionale e uno normale?
A: Un microfono omni-direzionale presenta una sensibilità uniforme in tutte le direzioni, il che è ideale per chi si trova seduto attorno a un tavolo. Un microfono normale, invece, è direzionale: funziona bene quando si trova vicino a uno specifico parlante, ma la qualità del suono diminuisce drasticamente quando le persone si spostano o quando più persone parlano contemporaneamente. Le sale conferenze richiedono anche la possibilità di eliminare il rumore e l’effetto “eco” durante le conversazioni. Registrare i messaggi e trascriverli sono due cose diverse.
Q: A cosa serve la tecnologia di rilevamento basata sulla conduzione ossea?
A: Il sistema di rilevamento basato sulla conduzione ossea permette di captare le vibrazioni attraverso una superficie solida, piuttosto che attraverso l’aria. Il suo vantaggio sta nel fatto che permette di mantenere l’intelligibilità del segnale, anche in condizioni di forte rumore: quando il freddo, i ventilatori dei proiettori o il rumore esterno distorcono il rapporto tra segnali e rumore, la parte del segnale vocale catturata dal sistema di rilevamento rimane comunque relativamente intatta.
Q: Cosa significa effettivamente un raggio di azione compreso tra 5 e 10 metri?
A: Questo valore definisce le dimensioni della stanza che un singolo microfono può coprire. Con un host per desktop e un microfono esterno omnicomprensivo, l’efficacia del microfono è di circa 5 a 10 metri, il che è sufficiente per piccole e medie sale conferenze. Oltre questa portata, l’energia del suono diminuisce, mentre la reverb si accumula. Aumentare la sensibilità del microfono significa soltanto amplificare il rumore presente nel segnale audio. La soluzione corretta consiste nell’aumentare il numero di punti di rilevamento del suono, non aumentare la potenza del microfono stesso.
Q: Come posso scegliere il numero di canali contemporaneamente utilizzabili?
A: Si può valutare il numero di camere in grado di ospitare riunioni contemporaneamente. Una singola stanza piccola richiede un host per l’hosting dei dispositivi informatici; per ambienti con più stanze, è necessario utilizzare un server a 5 canali. Per le sedi centrali, i governi o gli ambienti medici che gestiscono più stanze contemporaneamente, invece, è necessario utilizzare un server a 10 canali. È anche possibile gestire più host come un cluster, con autenticazione unificata, configurazione remota e gestione coordinata delle attività – il numero massimo di canali disponibili è di 50 o più.
Q: Come viene raccolto il suono proveniente da diverse sale riunioni?
A: I server a livello di dipartimento supportano l’aggregazione audio distribuito attraverso la rete: il suono proveniente da più stanze viene aggregato su un singolo server, per essere elaborato in modo uniforme. È disponibile anche una consolle web per la gestione dei dati. In questo modo è possibile evitare la necessità di implementare sistemi separati per ogni stanza, e i testi delle registrazioni vengono gestiti in modo centralizzato.
Q: I dispositivi di acquisizione dati e il motore trascrizione vocale devono necessariamente provenire dalla stessa azienda che li produce?
A: Non necessariamente, ma è necessario verificare la compatibilità tra le interfacce e la sincronizzazione del clock. Il trascrizione vocale utilizza solitamente microfoni USB o audio proveniente da sistemi di riunione locali, attraverso interfacce standard. Se i dispositivi di registrazione e il trascrizione vocale provengono da fornitori diversi, è necessario verificare il formato audio, la frequenza di campionamento e l’allineamento dei timestamp. Altrimenti, il separazione dei parlanti potrebbe non funzionare correttamente a causa di problemi legati all’allineamento dei canali.
Q: Come viene gestita la sicurezza dei dati per l’hardware utilizzato nella distribuzione locale?
A: I dispositivi della classe Recorder sincronizzano le registrazioni su un server locale, e non sul cloud. Inoltre, la generazione di trascrizione vocale e verbale di riunione avviene interamente localmente; quindi il audio e i testi non escono mai dall’intranet. Durante la selezione, assicurarsi che l’obiettivo di sincronizzazione sia effettivamente un server locale, e che il canale di sincronizzazione sia crittografato.