Расширение модели распознавания речи
SpeechKit предоставляет несколько способов, которыми можно повысить качество распознавания речи:
Автотюнинг
По умолчанию SpeechKit не сохраняет переданные пользователем данные. Однако самый эффективный способ улучшить модель распознавания речи — это обучить ее на реальных пользовательских данных.
Чтобы повысить качество распознавания, используйте автотюнинг модели. Он позволит сохранять переданные в запросах данные и применять их для дальнейшего обучения. Автотюнинг повышает качество распознавания в процессе работы модели без дополнительных действий с вашей стороны.
Автотюнинг подходит, когда выполняются следующие условия:
- В уже настроенном сценарии, который используется для решения рабочих задач, не распознается часть лексики.
- Лексика для автотюнинга должна быть такой, чтобы ее можно было легко воспринять на слух и записать транскрипцией. Например, названия лекарств не подойдут, так как эта лексика из узкой предметной области. Если нужно распознавать доменно-специфичные термины, используйте дообучение модели.
Чтобы передать данные для автотюнинга, включите логирование. Для этого в запросах API укажите заголовок x-data-logging-enabled: true
. Пример запроса с включенным логированием см. в разделе Диагностика ошибок в Yandex SpeechKit.
Ограничения и требования:
- Нужно минимум 10 часов аудио. Рекомендуемое количество часов — 50 или выше.
- Обучение модели распознавания занимает около трех месяцев для русского языка. Сроки для других языков уточняйте у вашего аккаунт-менеджера.
Дообучение модели
Основная модель распознавания речи предназначена для работы с общей лексикой, однако ее может быть недостаточно для распознавания специфичной лексики. С помощью дообучения модель можно научить распознавать доменно-специфичные термины из разных областей:
- медицина — диагнозы, биологические термины, названия лекарств;
- бизнес — названия компаний;
- торговля — номенклатура товаров (ювелирные изделия, электротехника и т. п.);
- финансы — банковские термины и названия банковских продуктов.
Для дообучения необходимы текстовые шаблоны и глоссарии.
Текстовый шаблон
Текстовый шаблон содержит однородные фразы с переменными, на основе которых модель синтезирует высказывания. На место переменных подставляются термины из глоссария.
Чтобы улучшить общее качество распознавания, шаблоны можно использовать вместе с автотюнингом. Они подойдут, даже когда нужна специфичная лексика, например названия лекарств.
Глоссарий
Глоссарий — полный список терминов, которые используются вместо переменных в шаблонах. Глоссарий содержит слова, которые есть в аудиозаписях для тестирования, а также другую лексику.
Глоссарий должен быть предоставлен отдельным файлом. Он создается под каждую переменную из шаблона. Эта переменная используется в качестве названия каждого файла с глоссарием. Каждый термин в файле размещается на отдельной строке.
Например, файлы-глоссарии first-name.tsv
, middle-name.tsv
и last-name.tsv
для дообучения модели колл-центра могут содержать имена, отчества и фамилии клиентов.
first-name.tsv | middle-name.tsv | last-name.tsv |
---|---|---|
Никита Кирилл Павел ... |
Александрович Петрович Казимирович ... |
Романов Алексеев Кукушкин ... |
Если фразы-шаблоны предполагают, что термины из глоссария могут склоняться, для каждой формы нужно создать отдельный файл-глоссарий. Например, файлы с именами в творительном падеже будут содержать записи:
first-name-ablative.tsv | middle-name-ablative.tsv | last-name-ablative.tsv |
---|---|---|
Никитой Кириллом Павлом ... |
Александровичем Петровичем Казимировичем ... |
Романовым Алексеевым Кукушкиным ... |
Тогда файл с шаблонами templates.tsv
может состоять из записей следующего вида:
Добрый день, вы {first-name=first-names.tsv} {middle-name=middle-names.tsv} {last-name=last-names.tsv}?
Здравствуйте, я могу поговорить с {first-name=first-names-ablative.tsv} {middle-name=middle-names-ablative.tsv}?
Ограничения и требования к текстовым шаблонам и глоссариям
Глоссарии и текстовые шаблоны должны быть представлены в файлах формата TSV
- Числительные — расшифрованы прописью.
- Латинские слова и символы — заменены на транскрипцию.
- Сокращения — полностью прописаны.
- Аббревиатуры на иностранном языке — расшифрованы полностью или заменены на транскрипцию.
- Аббревиатуры на русском языке — оставлены без изменений.
— Безвозмездно, т.е. даром, отдадим 2 кг картошки, модель спирали ДНК и журналы Cloud of Science за 2020 г.
— Безвозмездно, то есть даром, отдадим два килограмма картошки, модель спирали ДНК и журналы Клауд оф сайенс за две тысячи двадцатый год.
Требования к текстовым шаблонам и глоссариям:
- Длина шаблона вместе с переменными не должна превышать 200 символов.
- Поддерживается только русский язык.
- Дообучение эффективнее, если на каждый термин из глоссария приходится не менее 100 фраз.
Дообучение занимает около двух месяцев с момента, как вы передали технической поддержке архив с данными.
Использование аудио для улучшения качества
Вы можете передать команде SpeechKit аудиофайл для улучшения качества распознавания речи. Метод аналогичен автотюнингу, но вместо переданных в API-запросах данных используется подготовленное вами аудио. Передайте его технической поддержке
Ограничения для такого способа совпадают с ограничениями для автотюнинга:
- Нужно минимум 10 часов аудио. Рекомендуемое количество часов — 50 или выше.
- Обучение модели распознавания занимает около трех месяцев для русского языка. Сроки для других языков уточняйте у вашего аккаунт-менеджера.