Une étude examine le timing conversationnel comme une variable contrôlable pour l'entraînement de conversations multi-interlocuteurs synthétiques en reconnaissance automatique de la parole (ASR). Les chercheurs ont paramétré les distributions de pause et de chevauchement à l'aide d'une famille de redressement exponentiel (exponential-tilting) et ont exploré l'espace quadridimensionnel résultant via un échantillonnage hypercube latin et une optimisation bayésienne multi-objectif.
- Des configurations de timing simulées ont été utilisées pour entraîner des systèmes ASR et évaluer les performances sur un corpus de dialogues hongrois à l'aide des métriques cpWER et cpCER.
- Une exposition plus élevée au chevauchement de la parole est corrélée à des taux d'erreur de mots plus faibles, tandis que des intervalles plus longs et plus variables sont associés à des taux d'erreur plus élevés.
- L'optimisation bayésienne a fourni des améliorations agrégées modestes mais a principalement joué un rôle analytique en révélant le compromis spécifique entre le chevauchement et le timing des intervalles.
Les résultats suggèrent que la simulation réaliste devrait être complétée par des diagnostics pertinents pour la tâche concernant les profils de chevauchement, d'intervalle et de variabilité du timing afin d'améliorer l'utilité des données d'entraînement.