วิธีการแก้ปัญหาสําเนียงภาษาจีนและภาษาอังกฤษ ASR ในเอเชียตะวันออกเฉียงใต้ (ความแม่นยํา 90%+)
ภาษาจีนและภาษาอังกฤษในเอเชียตะวันออกเฉียงใต้มีสําเนียงหนัก - ภาษาจีนกลางสิงคโปร์ / มาเลเซีย, ซิงก์ลิช, มังก์ลิช, ไทย / เวียดนามอังกฤษSaaS ทั่วไป ASR และแบบจําลองโอเพนซอร์สเช่น Whisper และการต่อสู้ ASR แบบเปิดของ Microsoft ที่นั่นVoiVision ฝึกซ้อมการพูดสําเนียงหลายพันชั่วโมงเพื่อผลักดันสําเนียงภาษาจีนกลางและภาษาอังกฤษให้ถูกต้อง 90%
ในเอเชียตะวันออกเฉียงใต้ "สําเนียงมาตรฐาน" ไม่มีอยู่
สําหรับภาษาจีนและภาษาอังกฤษ ASR เป็นเรื่องง่ายที่จะสันนิษฐานว่าคอร์ปัสการฝึกอบรมของ "ภาษาจีนกลางมาตรฐาน" และ "ภาษาอังกฤษ / อเมริกัน" ก็เพียงพอแล้วช่วงเวลาที่ธุรกิจของคุณมาถึงเอเชียตะวันออกเฉียงใต้สมมติฐานนั้นจะยุบลง
ในเอเชียตะวันออกเฉียงใต้ไม่มี "สําเนียงมาตรฐาน" - การประชุมหนึ่งครั้งอาจผสมผสานภาษาจีนกลางสิงคโปร์ภาษาจีนกลางมาเลเซียและสิงห์ลิชด้วยสําเนียงคําที่ยืมและภาษาถิ่นพันกันรุ่น ASR ทั่วไปแทบจะไม่รับมือกับ
นี่คือเหตุผลที่ทีมงานโลกาภิวัตน์หลายคนรายงาน: SaaS การรู้จำเสียงพูดที่ทํางานได้อย่างสมบูรณ์แบบในประเทศก็ "ไม่สามารถเข้าใจผู้คน" ในห้องประชุมในสิงคโปร์กัวลาลัมเปอร์และกรุงเทพฯ
ทําไม SaaS ทั่วไปและแบบจําลองโอเพนซอร์สล้มเหลว
เราใช้โซลูชันทั่วไปนอกชั้นวางกับสถานการณ์ที่แท้จริงของเอเชียตะวันออกเฉียงใต้คําตัดสินมีความสอดคล้องกัน:
| โซลูชัน | การแสดงบนสําเนียงเอเชียตะวันออก | รากสาเหตุ |
|---|---|---|
| SaaS ทั่วไป ASR | อัตราข้อผิดพลาดของคําที่สูงขึ้นอย่างเห็นได้ชัด | ผ่านการฝึกอบรมในภาษาจีนกลางมาตรฐาน / ภาษาอังกฤษอเมริกันอังกฤษ; ความคุ้มครองสําเนียงอ่อน |
| OpenAI กระซิบ | ข้อผิดพลาดมากขึ้นภายใต้สําเนียงที่แข็งแกร่ง | รุ่นพื้นฐานมีความแข็งแกร่งจํากัด; ต้องการการปรับแต่งที่กําหนดเป้าหมาย |
| ไมโครซอฟท์โอเพนซอร์ส ASR | ข้อผิดพลาดใหญ่ในการยืมคํา / ผสมภาษาถิ่น | ไม่มีการสร้างแบบจําลองเฉพาะของคํายืมและสําเนียงหลายภาษาในเอเชียตะวันออกเฉียงใต้ |
ความขัดแย้งหลัก: ความสามารถทางภาษาของโมเดลเหล่านี้ถูกสร้างขึ้นบนการพูดมาตรฐานในขณะที่การสื่อสารในชีวิตประจําวันในเอเชียตะวันออกเฉียงใต้ถูกสร้างขึ้นบนชั้นหลังจากชั้นของการเปลี่ยนสําเนียง
- ภาษาจีนกลางเอเชียตะวันออกเฉียงใต้: สิงคโปร์และมาเลเซียจีนกลางฝังคําภาษาอังกฤษโดยตรง ("ฉันจองห้อง lah") และผสมใน Hokkien, Teochew, คําภาษาถิ่น Hakka;
- ภาษาอังกฤษเอเชียตะวันออกเฉียงใต้: ภาษาอังกฤษสิงห์และมังกะลี่ใช้เสียงสไตล์จีน; ภาษาอังกฤษไทยและเวียดนามแตกต่างจากภาษาอังกฤษอังกฤษ / อเมริกันอย่างรวดเร็วในพยัญชนะและการพูดที่เชื่อมต่อกัน
แบบจําลองทั่วไปถอดรหัสโดย "เสียงมาตรฐาน" ตามธรรมชาติแหลมในข้อผิดพลาดในการป้อนข้อมูลเหล่านี้
แนวทางของ VoiVision: การฝึกอบรมใหม่ในหลายพันชั่วโมง
แทนที่จะบังคับให้ "แบบจําลองสากล" หนึ่งในการจัดการกับสําเนียงทุกเรา การฝึกอบรมแบบจําลองใหม่ด้วยเสียงของเอเชียตะวันออกเฉียงใต้:
- รวบรวมคําพูดในภูมิภาค: สร้างคอร์ปัสภาษาจีนกลาง + ภาษาอังกฤษของ พันชั่วโมง ที่ครอบคลุมสําเนียงหลายประเทศดึงจากการสื่อสารจริงในสิงคโปร์มาเลเซียไทยเวียดนามและอื่นๆ;
- การฝึกอบรมการปรับตัวสําเนียง: ใช้การปรับตัวสําเนียงด้านบนของความสามารถฐานเพื่อให้ตัวถอดรหัสเรียนรู้การเปลี่ยนการออกเสียงทั่วไปโทนเสียงและรูปแบบคํายืมของภูมิภาค
- การฉีดโดเมนคำสำคัญ: แบบไดนามิกฉีดคําอุตสาหกรรมของลูกค้าชื่อและตัวย่อเป็นคำสำคัญเพื่อลดอัตราข้อผิดพลาดของคําในสถานการณ์ระดับมืออาชีพต่อไป
- วิศวกรสําหรับการผลิต: คู่กับการประมวลผลบนอุปกรณ์จาก ASR Recognition Optimization solution ของเรา (AGC / AEC / ANC + การฉีด OCR หน้าจอคำสำคัญ) เพื่อเรียกใช้รูปแบบที่ได้รับการฝึกอบรมใหม่ในสถานที่ของลูกค้า
ผลการทดสอบ: สําเนียงภาษาจีนกลางและสําเนียงภาษาอังกฤษทั้ง≥90%
วัดได้จากการประชุมลูกค้าในเอเชียตะวันออกเฉียงใต้และเสียงของศูนย์บริการ:
- สําเนียงภาษาจีนกลาง (ภาษาจีนกลางสิงคโปร์ / มาเลเซียฯลฯ)ความแม่นยํา ≥90%;
- สําเนียงภาษาอังกฤษ (Singlish, Manglish, Thai / Vietnamese English, ฯลฯ)ความแม่นยํา ≥90%;
- อัตราข้อผิดพลาดของคําในคําที่ยืมและคําพูดผสมภาษาถิ่นลดลงอย่างรวดเร็วเมื่อเทียบกับ SaaS / Whisper ทั่วไป
กุญแจสําคัญไม่ได้เป็น "รูปแบบที่ใหญ่กว่า" แต่เป็น "รูปแบบที่เข้าใจเสียงของแผ่นดินนี้"หลายพันชั่วโมงของการพูดในภูมิภาคเปลี่ยน "ไม่สามารถเข้าใจ" เป็น "ได้ยินอย่างชัดเจน"
วิศวกรรมและการปฏิบัติตามกฎระเบียบ: ข้อกําหนดที่ยากลําบากสําหรับการก้าวไปสู่ระดับโลก
เอเชียตะวันออกเฉียงใต้มักเกี่ยวข้องกับการปฏิบัติตามกฎระเบียบข้ามพรมแดนและขีดจํากัดที่อยู่อาศัยของข้อมูลรูปแบบที่ได้รับการฝึกอบรมใหม่ของ VoiVision ไม่ได้พึ่งพาการอนุมานแบบสาธารณะ:
- เรือที่มี Speech Engine (software only) และ VV05 / VV10 on-prem servers;
- ทํางานได้อย่างเต็มที่บน prem, เสร็จสิ้นการแฝง ต่ํากว่า 1 วินาที;
- เสียงและถอดเสียง ไม่เคยออกจากสถานที่ การประชุมการปฏิบัติตามสําหรับองค์กรโลกาภิวัตน์และบริษัทข้ามชาติ;
- รวมกับ WeCom / DingTalk / Feishu OA - ดู OA Integration in Practice
กรณีการใช้งานทั่วไป
- การประชุมข้ามชาติ: ทีมงานทั่วสิงคโปร์กัวลาลัมเปอร์และกรุงเทพมหานครในสายเดียวถอดความถูกต้องแม้จะมีสําเนียงผสม
- ศูนย์บริการลูกค้าเอเชียตะวันออกเฉียงใต้: อัตโนมัติการถอดเสียงเป็นข้อความและ QA ของการโทรสนับสนุนภาษาไทย / เวียดนามภาษาอังกฤษ
- การฝึกอบรมและการประชุมเชิงปฏิบัติการข้ามพรมแดน: การจับภาพโครงสร้างของการอภิปรายและการฝึกอบรมหลายสําเนียง
คําแนะนําสําหรับการเปิดตัว
- ประเมินก่อน: ส่งบันทึกจริงจากทีมงานในเอเชียตะวันออกเฉียงใต้ของคุณมาให้เราเพื่อทดสอบการจดจําสําเนียงเพื่อดูช่องว่างข้อผิดพลาดคําในปัจจุบัน
- การฝึกอบรมใหม่: สร้างรถไฟใหม่เฉพาะภูมิภาครวมถึงการปรับแต่งคำสำคัญในหลายพันชั่วโมงของการพูดสําเนียง;
- การปรับใช้: ไปส่วนตัวบูรณาการกับระบบ OA และบันทึกที่มีอยู่
ต้องการการประเมินการจดจําสําเนียงสําหรับธุรกิจในเอเชียตะวันออกเฉียงใต้ของคุณหรือไม่? Book a Demo และทีมงานด้านเทคนิคของเราจะให้แผนการฝึกอบรมคอนกรีตและพื้นฐานความแม่นยําแก่คุณ
คำถามที่พบบ่อย
Q: อะไรที่ทําให้การรู้จำเสียงพูดในเอเชียตะวันออกเฉียงใต้ยากมาก?
A: มันเป็นส่วนผสมของสําเนียง + คํายืม + ภาษาถิ่นสิงคโปร์และมาเลเซียจีนกลางยืมอย่างมากจากภาษาอังกฤษและภาษาจีนภาคใต้; ภาษาอังกฤษเอเชียตะวันออกเฉียงใต้ (Singlish, Manglish, ไทย / เวียดนามภาษาอังกฤษ) แตกต่างอย่างรวดเร็วจากอังกฤษอังกฤษ / อเมริกันในโฟนเสียงเสียงเสียงเสียงและการพูดที่เชื่อมต่อรูปแบบทั่วไปที่ได้รับการฝึกอบรมเกี่ยวกับคําพูด "มาตรฐาน" ก็ไม่รู้จักสําเนียงเหล่านี้ผิด
Q: ทําไม Whisper และ ASR แบบโอเพนซอร์สของ Microsoft จึงมีผลการดําเนินงานต่ํากว่าในเอเชียตะวันออกเฉียงใต้
A: รูปแบบพื้นฐานของพวกเขาได้รับการฝึกอบรมส่วนใหญ่ในภาษาจีนกลางมาตรฐานและภาษาอังกฤษอังกฤษ / อเมริกันโดยมีความคุ้มครองสําเนียงที่อ่อนแอหากไม่มีการปรับตัวเฉพาะสําเนียงพวกเขามีอัตราข้อผิดพลาดของคําที่สูงในสําเนียงที่แข็งแกร่งเช่นภาษาจีนกลางสิงคโปร์หรือสิงห์ลิงช; การปรับตัวที่มีประสิทธิภาพต้องใช้คอร์ปัสสําเนียงเป้าหมายสําหรับการปรับแต่ง
Q: VoiVision จะมีความแม่นยํา 90%+ ได้อย่างไร?
A: แกนหลักคือ "การฝึกอบรมการพูดสําเนียงเอเชียตะวันออกเฉียงใต้หลายพันชั่วโมง" "เรารวบรวมเสียงภาษาจีนกลางและภาษาอังกฤษที่ครอบคลุมสําเนียงหลายประเทศจากนั้นใช้การปรับตัวสําเนียงรวมถึงการฉีดโดเมนคำสำคัญเพื่อฝึกอบรมรูปแบบใหม่เพื่อให้ตัวถอดรหัสเข้าใจการเปลี่ยนการออกเสียงทั่วไปและคําที่ยืม - ให้ความถูกต้อง 90%+ สําหรับทั้งสําเนียงภาษาจีนกลางและสําเนียงภาษาอังกฤษ
Q: สําเนียงเฉพาะใดที่รองรับ?
A: เราครอบคลุมสําเนียงทั่วไปของเอเชียตะวันออกเฉียงใต้แล้ว - สิงคโปร์จีนกลางมาเลเซียจีนกลางสิงคโปร์
Q: สามารถปรับใช้เป็นส่วนตัวได้หรือไม่โดยใช้เวลาแฝงต่ํา?
A: ใช่.เครื่องรุ่นนี้มาพร้อมกับ [Speech Engine (software only)](/th/products/engine) และ [VV05 / VV10 on-prem servers](/th/products/vv10) ของเราทํางานได้อย่างเต็มที่ในสถานที่ (ห้องเซิร์ฟเวอร์หรือคลาวด์) โดยมีเวลาแฝงแบบ end-to-end ต่ํากว่า 1 วินาทีและไม่มีข้อมูลออกจากสถานที่ - ตอบสนองความต้องการการปฏิบัติตามกฎระเบียบขององค์กรที่ขยายตัวในต่างประเทศและสถาบันข้ามชาติ