Làm thế nào chúng tôi giải quyết ASR tiếng Trung và tiếng Anh ở Đông Nam Á (Chính xác 90%+)

Ở Đông Nam Á, "Giọng Tiêu chuẩn" không tồn tại

Đối với ASR tiếng Trung và tiếng Anh, thật dễ dàng để giả định các tập thể đào tạo của "Tiếng Quan Thoại tiêu chuẩn" và "Tiếng Anh Anh / Mỹ" là đủ. Khoảnh khắc doanh nghiệp của bạn đến Đông Nam Á, giả định đó sụp đổ.

Ở Đông Nam Á không có "giọng chuẩn" - một cuộc gặp có thể pha trộn tiếng Quan Thoại Singapore, tiếng Quan Thoại Malaysia và tiếng Singlish, với giọng, từ mượn và phương ngữ đan xen. Mô hình ASR chung chung hầu như không đối phó.

Đây là lý do tại sao nhiều nhóm toàn cầu hóa báo cáo: SaaS nhận dạng giọng nói đã hoạt động hoàn hảo trong nước đột nhiên "không thể hiểu mọi người" trong các phòng họp ở Singapore, Kuala Lumpur và Bangkok.

Tại sao các mô hình SaaS và mã nguồn mở thất bại

Chúng tôi đã chạy các giải pháp phổ biến ngoài kệ đối với các kịch bản thực tế của Đông Nam Á. Phán quyết đã nhất quán:

Giải pháp	Hiệu suất trên các điểm nhấn SE-Asian	Nguyên nhân gốc
SaaS chung chung ASR	Tỷ lệ lỗi chữ cao hơn	Được đào tạo về tiếng Quan Thoại tiêu chuẩn / tiếng Anh Anh-Mỹ; phủ sóng giọng yếu
OpenAI Whisper	Nhiều lỗi hơn dưới giọng mạnh	Mô hình cơ sở có độ bền giới hạn; cần điều chỉnh mục tiêu
Microsoft nguồn mở ASR	Lỗi lớn về từ mượn / trộn phương ngữ	Không có mô hình chuyên dụng của các từ mượn đa ngôn ngữ và giọng nói của SE-Asian

Cuộc xung đột cốt lõi: Khả năng ngôn ngữ của các mô hình này được xây dựng trên lời nói tiêu chuẩn, trong khi giao tiếp hàng ngày ở Đông Nam Á được xây dựng trên lớp thay đổi giọng nói.

• Tiếng Quan Thoại Đông Á: tiếng Singapore và tiếng Malaysia nhúng trực tiếp từ tiếng Anh ("Tôi đặt phòng lah") và trộn trong các thuật ngữ phương ngữ Hokkien, Teochew, Hakka;
• Tiếng Anh Đông Á: Singlish và Manglish sử dụng giọng điệu theo phong cách Trung Quốc; tiếng Anh Thái Lan và Việt Nam khác nhau rất nhiều so với tiếng Anh Anh / Mỹ về phụ âm và lời nói liên kết.

Các mô hình chung giải mã bằng "so âm tiêu chuẩn" tự nhiên tăng lỗi trên các đầu vào này.

Cách tiếp cận của VoiVision: Đào tạo lại hàng ngàn giờ

Thay vì ép buộc một "mô hình phổ quát" để xử lý mọi điểm nhấn, chúng tôi Đào tạo lại mô hình với tiếng nói của chính Đông Nam Á:

1. Thu thập bài phát biểu trong khu vực: Xây dựng một tập hợp tiếng Quan Thoại + tiếng Anh của hàng ngàn giờ bao gồm nhiều điểm nhấn quốc gia, được rút ra từ giao tiếp thực tế ở Singapore, Malaysia, Thái Lan, Việt Nam và nhiều hơn nữa;
2. Đào tạo lại thích ứng giọng: áp dụng sự thích ứng giọng trên đầu của khả năng cơ bản để bộ giải mã học được sự thay đổi phát âm phổ biến, giai điệu và các mẫu từ mượn của khu vực;
3. Tiêm tên miền từ khóa: tiêm một cách năng động các thuật ngữ, tên và chữ viết tắt của ngành công nghiệp của khách hàng như từ khóa để cắt giảm tỷ lệ lỗi từ trong các kịch bản chuyên nghiệp;
4. Kỹ sư sản xuất: ghép đôi với xử lý trên thiết bị từ ASR Recognition Optimization solution của chúng tôi (AGC / AEC / ANC + màn hình OCR từ khóa tiêm) để chạy mô hình được đào tạo lại trên cơ sở của khách hàng.

Kết quả: Tiếng Quan Thoại Giọng & Tiếng Anh Giọng đều ≥90%

Đo trên các cuộc họp khách hàng thực tế và âm thanh trung tâm cuộc gọi ở Đông Nam Á:

• Tiếng Quan Thoại Giọng (Tiếng Quan Thoại Singapore / Tiếng Quan Thoại Malaysia, vv)độ chính xác ≥90%;
• Tiếng Anh Giọng (Singlish, Manglish, Tiếng Anh Thái / Việt, v.v.)độ chính xác ≥90%;
• Tỷ lệ lỗi từ trên từ mượn và phát âm hỗn hợp phương ngữ giảm mạnh so với SaaS / Whisper chung.

Chìa khóa không phải là "một mô hình lớn hơn" mà là "một mô hình hiểu được âm thanh của vùng đất này. Hàng ngàn giờ nói chuyện trong khu vực biến "không thể hiểu " thành" nghe rõ ràng ". "

Kỹ thuật & Tuân thủ: Yêu cầu khó khăn để đi toàn cầu

Đông Nam Á thường liên quan đến việc tuân thủ xuyên biên giới và giới hạn cư trú dữ liệu. Mô hình được đào tạo lại của VoiVision không dựa vào suy luận đám mây công cộng:

• Tàu với các Speech Engine (software only) và VV05 / VV10 on-prem servers;
• Chạy đầy đủ on-prem, độ trễ từ đầu đến cuối dưới 1 giây;
• Âm thanh và bản sao Không bao giờ rời khỏi cơ sở, đáp ứng tuân thủ cho các doanh nghiệp toàn cầu hóa và các công ty đa quốc gia;
• Tích hợp với WeCom / DingTalk / Feishu OA - xem OA Integration in Practice.

Trường hợp sử dụng điển hình

• Các cuộc họp đa quốc gia: các đội trên khắp Singapore, Kuala Lumpur và Bangkok trong một cuộc gọi, được phiên âm chính xác mặc dù có giọng nói hỗn hợp;
• Trung tâm gọi điện SE-Asian: tự động phiên âm giọng nói và QA của các cuộc gọi hỗ trợ tiếng Anh Thái / Việt;
• Đào tạo và hội thảo xuyên biên giới: nắm bắt có cấu trúc các cuộc thảo luận và đào tạo đa điểm.

Các khuyến nghị triển khai

• Đánh giá trước: gửi cho chúng tôi các bản ghi âm thực sự từ các nhóm Đông Nam Á của bạn để có điểm chuẩn nhận dạng giọng nói để xem khoảng cách lỗi từ hiện tại;
• Đào tạo lại: Xây dựng một retrain cụ thể khu vực cộng với tùy chỉnh từ khóa trên hàng ngàn giờ nói giọng;
• Triển khai: đi riêng tư, tích hợp với OA hiện có và các hệ thống ghi âm.

Cần đánh giá nhận dạng giọng nói cho doanh nghiệp Đông Nam Á của bạn? Book a Demo và đội ngũ kỹ thuật của chúng tôi sẽ cung cấp cho bạn một kế hoạch đào tạo lại cụ thể và đường cơ sở chính xác.