Un estudio investiga el ritmo conversacional como una variable controlable para entrenar conversaciones multi-orador sintéticas en reconocimiento automático del habla (ASR). Los investigadores parametrizaron las distribuciones de pausa y superposición utilizando una familia de inclinación exponencial y exploraron el espacio resultante de cuatro dimensiones mediante muestreo hipercúbico latino y optimización bayesiana multiobjetivo.
- Se utilizaron configuraciones de temporización simuladas para entrenar sistemas ASR y evaluar el rendimiento en un corpus de diálogos húngaros utilizando las métricas cpWER y cpCER.
- Una mayor exposición a la superposición del habla se correlaciona con tasas de error de palabra más bajas, mientras que pausas más largas y variables están asociadas con tasas de error más altas.
- La optimización bayesiana proporcionó mejoras agregadas modestas, pero sirvió principalmente como un rol analítico al revelar la compensación específica entre la temporización de la superposición y la pausa.
Los hallazgos sugieren que la simulación realista debe complementarse con diagnósticos relevantes para la tarea de los perfiles de superposición, pausa y variabilidad de la temporización para mejorar la utilidad de los datos de entrenamiento.