ขีดจำกัดความแม่นยำอยู่ที่ไมโครโฟน ไม่ใช่โมเดล: การรับเสียงห้องประชุมและการทำงานหลายช่องทางสำหรับรายงานการประชุมแบบในสถานที่

รุ่น ASR ในห้องประชุมเดียวกันนั้นได้ผลการตอบรับถึง 98% ส่วนในห้องประชุมอีกห้องหนึ่งนั้นได้ผลการตอบรับเพียง 80% เท่านั้น – และความแตกต่างนั้นมักไม่ได้เกิดจากรุ่นของอุปกรณ์ที่ใช้แต่เป็นเพราะการจับคู่ข้อมูลต่างๆระหว่างอุปกรณ์กับข้อมูลที่เก็บไว้

ในการประเมินหลายครั้งจะมีการพิจารณาเฉพาะเรื่องความแม่นยำของแบบจำลองเท่านั้นแต่เมื่อนำแบบจำลองนั้นมาใช้งานจริงก็จะพบว่าการเกิดข้อผิดพลาดยังคงสูงอยู่แม้ว่าจะมีการปรับแต่งคำศัพท์และเพิ่มคำที่สำคัญเข้าไปแล้วก็ตามเหตุผลก็คือ…

โมเดลนั้นสามารถทำงานได้ก็ต่อเมื่อมีข้อมูลเสียงที่มีคุณภาพเท่านั้นหากเสียงมีคุณภาพต่ำโมเดลใดๆก็ไม่สามารถแก้ไขปัญหานั้นได้เลย

หมายเหตุ: ค่าที่ระบุไว้เป็นค่าที่เผยแพร่ออกมามาจากผลิตภัณฑ์ข้อมูลจำเพาะค่าเหล่านี้เป็นค่าประมาณการที่ใช้เป็นเกณฑ์อ้างอิงในสภาพแวดล้อมปกติแต่ค่าดังกล่าวจะเปลี่ยนแปลงไปตามสภาพแวดล้อมการรับรู้เสียงและกลยุทธ์การใช้งานต่างๆดังนั้นควรตรวจสอบค่านี้ด้วยตัวเองที่สถานที่จริง.

ระดับความแม่นยำสูงสุดนั้นอยู่ที่จุดการจับคู่ข้อมูลนั่นเอง.

เริ่มต้นด้วยข้อเท็จจริงที่อาจถูกมองข้ามไปได้: การรู้จำเสียงพูดเป็นขั้นตอนเพียงขั้นเดียวในลำดับเหตุการณ์ต่างๆที่ไม่สามารถชดเชยสิ่งที่เกิดขึ้นก่อนหน้านี้ได้เลย.

โมเดลสามารถแก้ไขปัญหาเรื่อง “คำนี้อาจถูกเข้าใจผิดไป” ได้แต่ไม่สามารถแก้ไขปัญหาเรื่อง “ประโยคนี้ไม่เคยถูกบันทึกไว้อย่างชัดเจน” ได้ปัญหาเหล่านี้จะปรากฏออกมาในรูปแบบของสามปัญหาต่างๆ

ปัญหาเกี่ยวกับเสียง	สาเหตุทางด้านเสียง	สามารถแก้ไขได้ด้วยโมเดลที่ดีกว่า
การลดลงของความถี่ในระยะไกล	พลังงานของเสียงจะลดลงเมื่อระยะห่างเพิ่มขึ้นและค่าสัญญาณที่สามารถใช้ได้ก็จะลดลงเช่นกัน	โดยพื้นฐานแล้วไม่มีเลย
เศษซากของเสียงที่สะท้อนกลับมา	ภาพสะท้อนในห้องนั้นส่งผลเสียต่อการพูดของคนเรา	บางส่วนเท่านั้น
การสื่อสารแบบหลายช่องทาง	การพูดซ้ำกันของคำพูดต่างๆรวมถึงการผสมผสานช่องทางการสื่อสารต่างๆเข้าด้วยกัน	ไม่มี

เมื่อระยะการรับสัญญาณเพิ่มขึ้นพลังงานของเสียงพูดจะลดลงอย่างมากในขณะที่เสียงรบกวนจากสภาพแวดล้อมนั้นยังคงอยู่ดังนั้นอัตราส่วนของสัญญาณต่อเสียงรบกวนก็จะลดลงการเพิ่มความไวของอุปกรณ์ในการรับสัญญาณนั้นจะทำให้เสียงรบกวนและเสียงพูดดังขึ้นแต่ความแม่นยำของเสียงพูดก็อาจจะลดลงได้เช่นกัน

สรุปได้ว่าการจับกุมเป็นตัวแปรสำคัญที่อยู่ในลำดับเหตุการณ์ทั้งหมดนี้. นี่ก็อธิบายได้ว่าทำไม “เครื่องยนต์เดียวกันถึงมีประสิทธิภาพที่แตกต่างกันไปในห้องต่างๆ” ปัจจัยที่ทำให้เกิดความแตกต่างนี้ไม่ใช่เครื่องยนต์เองแต่เป็นห้องที่ใช้ในการทดลองนั่นเอง.

ความแตกต่างที่แท้จริงระหว่างวิธีการสามวิธีในการจับกุม

การบันทึกภาพในห้องประชุมนั้นมีอยู่หลายวิธีโดยเราต้องเลือกวิธีที่เหมาะสมที่สุดสำหรับสถานการณ์ของเรา.

การเข้าถึง/การเข้ามาใกล้	หลักการ/ธรรมเนียม	ผู้พูดหลายคน	การใช้งานภายในองค์กร
ไมค์ที่มีความสามารถในการบันทึกเสียงได้ทุกทิศทาง	เมชแอรี่ + การประมวลผลสัญญาณแอรี่	มีความแข็งแรงถูกออกแบบมาเพื่อใช้งานร่วมกันระหว่างผู้คนที่นั่งอยู่รอบโต๊ะ	พื้นเมือง
การประเมินสภาพของระบบการประชุมต่างๆ	นำผลลัพธ์ที่ได้จากระบบเดิมมาใช้ซ้ำอีกครั้ง	ขนาดกลางซึ่งถูกจำกัดโดยระบบนั้นเอง	จำเป็นต้องมีการตรวจสอบเพื่อให้เกิดความสอดคล้องกัน
ซอฟต์แวร์สำหรับบันทึกเสียงในเครื่องของผู้ใช้เอง	ซอฟต์แวร์ของลูกค้าจะบันทึกเสียงที่เกิดขึ้นในพื้นที่นั้นไว้	อ่อนแอมีช่องทางการสื่อสารเพียงช่องเดียวเท่านั้น	โดยทั่วไปแล้วไม่เหมาะสมเลย

ไมค์เสียงที่มีความสามารถในการรับเสียงจากทุกทิศทางโดยเฉพาะ ถูกออกแบบมาเพื่อผู้ที่นั่งอยู่รอบโต๊ะโดยมีความไวในการรับเสียงที่เท่าเทียมกันในทุกทิศทางและเมื่อรวมกับฟีเจอร์การลดเสียงรบกวนและการกำจัดสัญญาณเสียงที่เกิดขึ้นซ้ำๆก็จะทำให้คุณภาพการรับเสียงมีความคงที่การถอดเสียงเป็นข้อความมีการใช้ไมโครโฟนแบบสามารถรับเสียงได้จากทุกทิศทางผ่านอินเทอร์เฟซมาตรฐานส่วนเครื่องเสียงแบบเดสก์ท็อปก็สามารถใช้งานได้ง่ายโดยเพียงเสียบไมโครโฟนภายนอกเข้ากับเครื่องเสียงก็สามารถใช้งานได้เลย

การประเมินสภาพของระบบการประชุมต่างๆ ดูเหมือนจะเป็นตัวเลือกที่เหมาะสม… เพราะสามารถนำเสียงที่ได้จากระบบการประชุมที่มีอยู่มาใช้ซ้ำได้แต่คุณภาพของเสียงที่ได้จะขึ้นอยู่กับระบบนั้นโดยตรง… หากระบบนั้นถูกสร้างขึ้นมาเพื่อให้มนุษย์ได้ยินเสียงก็อาจทำให้ช่วงความถี่และค่าความแตกต่างของเสียงไม่เพียงพอสำหรับการใช้งานในโมเดลต่างๆ… สิ่งที่ต้องตรวจสอบคือ การแยกช่องสัญญาณในสถานการณ์ที่มีหลายฝ่ายเข้ามาเกี่ยวข้อง… เพราะในการแปลงเสียงหลายครั้งจะมีการรวมช่องเสียงหลายช่องเข้าด้วยกัน… ซึ่งทำให้การแยกผู้พูดไม่มีเสียงที่สามารถนำมาใช้ได้เลย.

ซอฟต์แวร์สำหรับบันทึกเสียงในเครื่องของผู้ใช้เอง เป็นโปรแกรมที่ไม่เหมาะสำหรับการใช้งานในสภาพแวดล้อมภายในองค์กรเลยเพราะโปรแกรมนี้สามารถจับภาพได้เพียงช่องทางเดียวเท่านั้นไม่สามารถแยกเสียงของผู้เข้าร่วมการประชุมหลายคนออกจากกันได้และยังต้องอาศัยการติดตั้งโดยผู้ใช้เองอีกด้วย.

โหมดความล้มเหลวทั่วไป

• การถือว่า “สามารถบันทึกข้อมูลได้” ว่าเป็น “สามารถถ่ายโอนข้อมูลไปยังแหล่งเก็บข้อมูลอื่นได้”: ไฟล์เสียงจากระบบการประชุมนั้นถูกปรับแต่งให้เหมาะสมสำหรับการรับฟังโดยมนุษย์ไม่ใช่สำหรับการประมวลผลโดยโมเดลต่างๆ
• การทดสอบจะทำขึ้นเฉพาะบริเวณใกล้กับแท่นบูชาเท่านั้น: สี่มุมของพื้นที่นั้นและที่นั่งที่อยู่ห่างออกไปที่สุดนั่นคือสภาพการใช้งานจริงของพื้นที่นั้น.
• ไม่สนใจจำนวนช่องทางต่างๆเลย: เมื่อช่องทางต่างๆถูกรวมเข้าด้วยกันแล้วการแยกผู้พูดก็จะไม่มีการรับข้อมูลใดๆเลย.

ระยะการรับเสียงและคุณภาพของสภาพแวดล้อมในการรับเสียง

ระยะการรับเสียงเป็นปัจจัยที่มักถูกถามบ่อยที่สุดและคำตอบก็มักจะไม่ชัดเจนนักโดยใช้โฮสต์แบบเดสก์ท็อปร่วมกับไมค์แบบออเพล็กซ์ระยะการรับเสียงจะครอบคลุมพื้นที่ประมาณ 5 ถึง 10 เมตร ซึ่งเหมาะสำหรับห้องประชุมขนาดเล็กถึงกลาง

คำตอบที่ถูกต้องคือ มีจุดรับสินค้ามากขึ้นอีก ไม่ใช่ “more sensitivity” นะครับสาเหตุก็เพราะเรื่องของการสั่นสะเทือนของเสียงนั่นเอง: พลังงานของเสียงจะลดลงเมื่อห่างออกไปแต่เสียงรบกวนนั้นไม่ลดลงเลยดังนั้นการปรับแต่งความดังของเสียงจึงจำเป็นต้องทำกับทั้งสองอย่างเท่าเทียมกัน.

สภาพแวดล้อมในการใช้ห้องก็มีความสำคัญไม่แพ้กันเลย:

• เสียงสะท้อน/เสียงที่เกิดจากการสั่นสะเทือนของสิ่งต่างๆ: ผนังที่ทำจากแก้วพื้นที่เรียบเนียนและห้องโถงขนาดใหญ่… สิ่งเหล่านี้สะท้อนเสียงได้อย่างชัดเจนจนทำให้เสียงพูดของเราดูเหมือนมีเสียงสะท้อนออกมาด้วย.
• เสียงรบกวนในสภาวะคงที่: ระบบทำความเย็น, เครื่องฉายภาพ, การจราจรภายนอก – สิ่งเหล่านี้มีโครงสร้างที่มั่นคงและสามารถจัดการได้ด้วยอัลกอริทึมอย่างมีประสิทธิภาพ.
• เสียงรบกวนชั่วคราว: การเคลื่อนไหวของเก้าอี้, การปิดประตูอย่างแรง, เสียงสั่นของโทรศัพท์… ล้วนเป็นสาเหตุที่ทำให้เฟอร์นิเจอร์ต่างๆเกิดความเสียหายได้มากที่สุด.

ทำการทดสอบสองครั้งในขั้นตอนการยอมรับผลลัพธ์: มีห้องหนึ่งที่มีเครื่องปรับอากาศและมีโปรเจคเตอร์ทำงานอยู่ (สภาพจริง) และอีกห้องหนึ่งอยู่ในห้องที่เงียบสงบ (สภาพการทดสอบแบบนี้ไม่ถือว่าเป็นการทดสอบจริงเพราะห้องประชุมส่วนใหญ่มีเสียงรบกวนอยู่ที่ประมาณ 40 ถึง 50 เดซิเบล)

ไมค์แบบสองทิศทาง + การส่งสัญญาณผ่านกระดูก: ไม่มีไมโครโฟนเพิ่มเติม

สัญชาตญาณทั่วไปของผู้ใช้เครื่องบันทึกข้อมูลแบบพกพาก็คือการเพิ่มจำนวนไมโครโฟนเข้าไปในเครื่องบันทึกนั้นแต่จำนวนไมโครโฟนไม่ได้เป็นตัวกำหนดคุณภาพของเสียงที่ถูกบันทึกมาเลยการมีไมโครโฟนหลายตัวโดยไม่มีการประมวลผลสัญญาณก็จะทำให้เสียงที่บันทึกมาเป็นเสียงที่มีสัญญาณรบกวนมากมายเท่านั้นเอง

วิธีการที่มีประสิทธิภาพคือ กลไกการรับรู้ที่เสริมกัน.

กลไก/ระบบการทำงาน	สิ่งที่มันสามารถจับภาพได้	ความแข็งแรง	ความอ่อนแอ
การส่งสัญญาณทางอากาศ (โอมนีมิค)	คลื่นเสียง	ช่วงความกว้างของสัญญาณที่กว้างมากความเป็นธรรมชาติของสัญญาณ	SNR จะล่มลงได้เมื่อมีเสียงรบกวนมากเกินไป
การส่งสัญญาณเสียงผ่านกระดูก	การสั่นสะเทือนผ่านพื้นผิวที่แข็ง	ความเข้าใจในเนื้อหาสามารถรักษาไว้ได้แม้ในสภาพที่มีเสียงดังมาก	ต้องมีการสัมผัสกันเพื่อให้เกิดการเชื่อมต่อ

กรณีที่เกี่ยวข้องกับการส่งเสียงผ่านกระดูกนั้นเป็นกรณีเฉพาะตัว: เมื่อระบบปรับอากาศไฟล์พรอมติกหรือเสียงรบกวนจากภายนอกส่งผลให้ค่าสัญญาณที่ถูกส่งผ่านอากาศเสียไปแล้วส่วนสัญญาณเสียงที่ถูกเก็บไว้ก็ยังคงอยู่ในสภาพที่ดีอยู่นี้ไม่ใช่เพียง “ไมโครโฟนอีกตัวหนึ่ง” แต่เป็นช่องทางการเก็บข้อมูลเสียงที่แยกต่างหากออกมา.

ตัวอย่างเช่นไมโครสแกนแบบส่วนตัวนี้มีการออกแบบที่เรียกว่า ไมค์แบบสามารถบันทึกเสียงได้ทั้งสองทิศทางพร้อมกับระบบการส่งสัญญาณเสียงผ่านกระดูก โดยมีระยะการรับสัญญาณอยู่ที่ 5 ถึง 10 เมตรและสามารถบันทึกข้อมูลได้โดยอัตโนมัติโดยข้อมูลจะถูกส่งไปยังเซิร์ฟเวอร์ท้องถิ่นซึ่งทำให้เกิดกระบวนการบันทึกข้อมูลแบบ “บันทึกข้อมูล → แปลข้อมูลด้วย AI →จัดเก็บข้อมูลไว้ในฐานข้อมูล” ซึ่งเหมาะสำหรับการทำงานในสภาพแวดล้อมที่ไม่สามารถติดตั้งอุปกรณ์ได้อย่างแน่นอนเช่นการสัมภาษณ์หรือการวิจัยในสถานที่ต่างๆ

จากห้องเดียวไปยังหลายห้อง: การประเมินความสามารถในการทำงานร่วมกัน

เมื่อปัญหาเรื่องการจับกุมได้แก้ไขแล้วปัญหาที่ต้องแก้ไขต่อไปก็คือเรื่องของ คำนวณและช่องสัญญาณ นี่เป็นจุดผิดพลาดที่มักเกิดขึ้นบ่อยๆคือการนิยมใช้ “จำนวนช่องทางในการจับกุมต่อกล่อง” เป็นเกณฑ์เดียวในการประเมินผล

ในสถานการณ์จริงจะต้องมีการนับจำนวนครั้งที่แยกออกจากกันสองครั้ง: การใช้หลายตัวของการแยกผู้พูดในห้องเดียวกันและการทำงานแบบขนานในหลายห้องด้วยกันตัวแรกคือ การแยกผู้พูดอยู่ในสตรีมเสียงหนึ่ง ส่วนตัวที่สองคือ สัญญาณเสียงหลายๆชุดที่ถูกแปลงเป็นรูปแบบข้อความในลักษณะพหุเส้นทาง… พวกมันใช้ทรัพยากรคอมพิวเตอร์ในแบบที่แตกต่างกันออกไป.

มี 3 ชั้นโดยแบ่งตามขนาดของห้อง

ระดับ/ชั้น	กรณีการใช้งาน/ประโยชน์ของผลิตภัณฑ์	การตั้งค่าที่เป็นปกติ/เหมือนกับทั่วไป	ตัวชี้วัดสำคัญ
โฮสต์บนเดสก์ท็อป	ห้องเล็กๆสำหรับคนโสดมีโต๊ะทำงานส่วนตัว	46 TOPS มีหน่วยประมวลผลแบบ Edge Compute, หน่วยความจำขนาด 8GB และพื้นที่จัดเก็บข้อมูลที่สามารถเพิ่มได้ถึง 128GB	เวลาในการตอบสนองน้อยกว่า 1 วินาที (มีการเผยแพร่ข้อมูลนี้แล้ว)
เซิร์ฟเวอร์ของแผนกต่างๆ	ศูนย์วิจัยและพัฒนาสาขาการเงินช่องทางการขายในระดับภูมิภาค	มีช่องทางการรับสัญญาณถึง 5 ช่องทางรวมถึง TOPS จำนวน 166 ช่องทางและหน่วยความจำที่มีความเร็วสูงถึง 24GB	เวลาในการส่งข้อมูลจากต้นทางถึงปลายทางน้อยกว่า 1.5 วินาที
เซิร์ฟเวอร์องค์กร	ภาครัฐด้านการป้องกันประเทศการเงินการแพทย์และสถานการณ์ที่ต้องมีความสอดคล้องกันในหลายด้าน	มีช่องทางการรับสัญญาณถึง 10 ช่องพร้อมกันสามารถจัดเก็บข้อมูลได้ถึง 326 TOPS และมีหน่วยความจำในช่วงความเร็วสูงถึง 48GB	ค่าที่ RTF ต่ำกว่า 0.3 วินาทีและค่าความล่าช้าในการสื่อสารจากปลายทางถึงปลายทางน้อยกว่า 1 วินาที

ให้คำนึงถึงจำนวนห้องที่สามารถจัดการประชุมได้พร้อมกันและควรมีพื้นที่ว่างไว้ประมาณ 20% ของจำนวนห้องดังกล่าว สำหรับการใช้งานแบบเฉพาะเจาะจงการใช้เซิร์ฟเวอร์สำหรับองค์กรเพื่อการใช้งานในห้องเดียวนั้นเป็นการสิ้นเปลืองทรัพยากรไปโดยเปล่าประโยชน์ส่วนการใช้เครื่องคอมพิวเตอร์สำหรับการใช้งานในหลายห้องพร้อมกันนั้นก็จะทำให้เกิดการรอคิวในการใช้งานอีกด้วย.

ห้องหลายห้อง: การรวมเสียงและการควบคุมการทำงานของห้องต่างๆ

เซิร์ฟเวอร์ระดับ departement นี้สามารถรองรับการประมวลผลเสียงจากหลายห้องได้โดยเสียงจากแต่ละห้องจะถูกรวบรวมไว้ที่เซิร์ฟเวอร์เดียวเพื่อการประมวลผลที่มีประสิทธิภาพมากขึ้นนอกจากนี้ยังมีคอนโซลออนไลน์สำหรับการจัดการข้อมูลต่างๆอีกด้วยซึ่งช่วยป้องกันไม่ให้ต้องมีระบบแยกต่างหากสำหรับแต่ละห้องและยังช่วยให้ข้อมูลต่างๆเช่นบันทึกเสียงและวิดีโอสามารถจัดการได้อย่างมีประสิทธิภาพอีกด้วย

ในระดับที่ใหญ่ขึ้นจะมีการจัดการโฮสต์หลายตัวผ่าน แพลตฟอร์มการจัดการ เพื่อควบคุมคลัสเตอร์ได้อย่างเป็นระบบการยืนยันตัวตนจะทำได้อย่างเป็นหนึ่งเดียวกันการกำหนดค่าจากระยะไกลก็สามารถทำได้อย่างมีประสิทธิภาพรวมถึงการกำหนดเวลาการทำงานต่างๆก็สามารถทำได้อย่างมีประสิทธิภาพเช่นกันข้อมูลต่างๆเช่นบันทึกและวิดีโอต่างๆก็จะถูกจัดการไว้ที่ศูนย์กลาง

หากช่องทางการรับสัญญาณจากเครือข่ายรวมไม่สามารถทำงานร่วมกันได้การแยกผู้พูดจะเกิดปัญหาในการรับสัญญาณซึ่งต้องมีการตรวจสอบด้วยตัวเองโดยใช้เสียงที่บันทึกไว้เพื่อเปรียบเทียบกับผลลัพธ์จากช่องทางการรับสัญญาณเพียงช่องเดียว.

รายการตรวจสอบการยอมรับ

#	รายการ	วิธีการ	เกณฑ์ผ่าน
1	ขอบเขตการรับประกัน/การดูแล	บันทึกคะแนนในจุดที่ห่างออกไปที่สุด 4 จุด	ทุกคนผ่านไปแล้ว
2	ความสามารถในการทนต่อเสียงรบกวน	ทำการปรับแต่งด้วยเครื่อง AC และโปรเจคเตอร์เพียงครั้งเดียวเท่านั้น.	อัตราการเกิดข้อผิดพลาดไม่มีการลดลงเลย
3	Multi-การแยกผู้พูด	การบันทึกเสียงที่มีสามคนหรือมากกว่านั้นมาบรรยายพร้อมกัน	ไม่มีการระบุตําแหน่งที่ไม่ถูกต้องทั้งส่วน
4	ประโยชน์ของการส่งเสียงผ่านกระดูก	เปรียบเทียบช่องทางต่างๆที่มีสัญญาณรบกวนสูง	ความเข้าใจในการอ่าน/ฟังดีขึ้น
5	ความร่วมมือ/การทำงานร่วมกัน	การทดสอบความเครียดโดยใช้จำนวนห้องจริง	มีช่องว่างประมาณ 20%
6	การรวบรวมเสียงต่างๆ	การทดสอบแบบเชื่อมต่อเครือข่ายในหลายห้อง	เวลาที่ระบุไว้ตรงกัน
7	การควบคุมกลุ่มคอมพานีต	คอนโซลที่สามารถใช้งานร่วมกันได้บนหลายฮอสท์	การยืนยันตัวตน/การกำหนดค่า/การจัดลำดับการทำงาน
8	ลายละเอียดและการเล่นเสียง	ตรวจสอบผลลัพธ์ที่ได้จากการทำงานของ HDMI	ผู้พูด / เวลา / ต้นฉบับ / การแปล

รายการที่ 1 และ 2 เป็นรายการที่มักถูกข้ามไปโดยไม่ได้พิจารณา: การทดสอบใกล้กับจุดสูงสุดของการแข่งขันหนึ่งครั้ง… หรือการทดสอบในห้องที่เงียบสงบอีกครั้งหนึ่งครั้ง… นั่นคือรูปแบบการทดสอบแบบดั้งเดิม… คือ “ผ่านการทดสอบแต่ไม่สามารถใช้งานได้ในสภาพการใช้งานจริง”

---

ข้อมูลเพิ่มเติม: Beyond 98% accuracy: five engineering stages that decide minutes quality | Running meeting transcription on Ascend 310P | Choosing an on-premise ASR solution