Mi az egyéni beszéd?

Az egyéni beszéd segítségével kiértékelheti és javíthatja az alkalmazások és termékek beszédfelismerésének pontosságát. Egyéni beszédmodell használható valós idejű szövegfelolvasáshoz, beszédfordításhoz és kötegelt átíráshoz.

A beszédfelismerés alapmodellként univerzális nyelvi modellt használ, amely a Microsoft tulajdonában lévő adatokkal van betanítve, és a gyakran használt beszélt nyelvet tükrözi. Az alapmodellt előre betanították dialektusokkal és fonetikai jellemzőkkel, amelyek különböző közös területeket reprezentálnak. Beszédfelismerési kérések esetén alapértelmezés szerint az egyes támogatott nyelvekhez tartozó legújabb alapmodellt használja a rendszer. Az alapmodell a legtöbb beszédfelismerési forgatókönyvben jól működik.

Az egyéni modell az alapmodell kiegészítésére használható az alkalmazásra jellemző tartományspecifikus szókincsek felismerésének javítására a modell betanításához szükséges szöveges adatok biztosításával. Az alkalmazás adott hangfeltételei alapján a felismerés javítására is használható, ha referencia-átiratokat ad meg a hangadatoknak.

A modelleket strukturált szöveggel is betaníthatja, ha az adatok követnek egy mintát, egyéni kiejtéseket adhat meg, és testre szabhatja a megjelenített szövegformázást egyéni inverz szöveg normalizálásával, egyéni átírással és egyéni trágárságszűréssel.

Hogyan működik?

Az egyéni beszéddel feltöltheti a saját adatait, tesztelheti és betanítheti az egyéni modelleket, összehasonlíthatja a modellek közötti pontosságot, és üzembe helyezhet egy modellt egy egyéni végponton.

Az előző ábrán látható lépések sorrendjéről az alábbi további információk találhatók:

1. A project létrehozása és a modell kiválasztása. Ha hangadatokkal tanít be egyéni modellt, válasszon ki egy szolgáltatáserőforrást egy olyan régióban, amely dedikált hardverrel rendelkezik a hangadatok betanításához. További információ: lábjegyzetek a régiók táblában.

2. Tesztadatok feltöltése. Töltse fel a tesztadatokat, hogy kiértékelhesse a beszéd-szöveg átalakító szolgáltatást az alkalmazásaihoz, eszközeihez és termékeihez.

3. Modell betanítása. Adjon meg írásos átiratokat és kapcsolódó szöveget a megfelelő hangadatokkal együtt. A modell tesztelése a betanítás előtt és után nem kötelező, de ajánlott.

   Megjegyzés

   Az egyéni beszédmodellek használatáért és a végpontok üzemeltetéséért fizetnie kell. Az egyéni beszédmodellek betanításáért is díjat számítunk fel, ha az alapmodell 2023. október 1-jén és később jött létre. A betanításért nem kell fizetnie, ha az alapmodell 2023 októbere előtt lett létrehozva. További információért lásd: Azure Speech in Foundry Tools díjszabása és a Díjszabás a speech to text 3.2 migrálási útmutatójának adaptációs szakaszában.

4. A felismerés minőségének tesztelése. A Speech Studióval lejátszhatja a feltöltött hangokat, és megvizsgálhatja a tesztadatok beszédfelismerési minőségét.

5. Modell mennyiségi tesztelése. A beszéd és a szövegmodell pontosságának kiértékelése és javítása. A Speech szolgáltatás mennyiségi szóhibaarányt (WER) biztosít, amellyel megállapíthatja, hogy szükség van-e további betanításra.

6. Modell üzembe helyezése. Ha elégedett a teszteredményekkel, helyezze üzembe a modellt egy egyéni végponton. A kötegelt átírás kivételével egyéni végpontot kell üzembe helyeznie egy egyéni beszédmodell használatához.

   Tipp.

   A Batch átírási API-val való egyéni beszéd használatához nincs szükség üzemeltetett üzembehelyezési végpontra. Ha az egyéni beszédmodellt csak kötegelt átíráshoz használják, az erőforrásokat meg lehet takarékoskodni. További információ: Speech szolgáltatás díjszabása.

A modell kiválasztása

Az egyéni beszédmodellek használatának néhány módszere van:

• Az alapmodell számos forgatókönyvhöz biztosít pontos beszédfelismerést. Az alapmodellek rendszeres frissítése a pontosság és a minőség javítása érdekében. Javasoljuk, hogy alapmodellek használata esetén használja a legújabb alapértelmezett alapmodelleket. Ha egy szükséges testreszabási funkció csak egy régebbi modellel érhető el, akkor választhat egy régebbi alapmodellt.
• Az egyéni modell kibővíti az alapmodellt, hogy a custom domain minden területén megosztott tartományspecifikus szókincset is tartalmazzon.
• Több egyéni modell is használható, ha a custom domain több területtel rendelkezik, amelyek mindegyike egy adott szókészlettel rendelkezik.

Annak ellenőrzésére, hogy az alapmodell elegendő-e, ajánlott elemezni az alapmodell által készített átiratot, és összehasonlítani egy emberi átirattal ugyanarról a hanganyagról. Összehasonlíthatja az átiratokat, és meghatározhatja a szavak hibaarányának (WER) pontszámát. Ha a WER-pontszám magas, ajánlott egyéni modellt betaníteni a helytelenül azonosított szavak felismerésére.

Több modell használata javasolt, ha a szókincs a tartomány különböző területein eltérő. Az olimpiai kommentátorok például különböző eseményekről számolnak be, amelyek mindegyikéhez saját szókincs tartozik. Mivel minden olimpiai esemény szókincse jelentősen eltér a többitől, az eseményre jellemző egyéni modell létrehozása növeli a pontosságot azáltal, hogy korlátozza a kimondott szöveg adatait az adott eseményhez képest. Ennek eredményeképpen a modellnek nem kell átszeletelnie a nem kapcsolódó adatokat, hogy egyezést hozzon létre. Ettől függetlenül a betanításhoz továbbra is megfelelő számú betanítási adat szükséges. Vegye fel a különböző kommentátorok hangjait, akik különböző ékezetekkel, nemekkel, életkorsal stb. rendelkeznek.

Modell stabilitása és életciklusa

Az egyéni beszédet használó végponton üzembe helyezett alapmodell vagy egyéni modell mindaddig javítva lesz, amíg ön nem dönt a frissítés mellett. A beszédfelismerés pontossága és minősége egységes marad, még akkor is, ha új alapmodellt ad ki. Ez lehetővé teszi egy adott modell viselkedésének zárolását, amíg el nem dönt egy újabb modell használata mellett.

Akár saját modellt tanít be, akár egy alapmodell pillanatképét használja, korlátozott ideig használhatja a modellt. További információ: Modell és végpont életciklusa.

Felelős MI

Az AI-rendszerek nem csak a technológiát, hanem az azt használó személyeket, az érintett személyeket és az üzembe helyezett környezetet is magukban foglalják. Az átláthatósági megjegyzésekből ismerje meg a mesterséges intelligencia felelős használatát és alkalmazását a rendszereiben.

• Átláthatósági jegyzet és használati esetek
• Jellemzők és korlátozások
• Integráció és felelősségteljes használat
• Data, adatvédelem és biztonság

Következő lépések

• Projekt létrehozása
• Tesztadatok feltöltése
• Modell betanítása