Sebuah studi menyelidiki waktu percakapan sebagai variabel yang dapat dikontrol untuk melatih percakaban multi-pembicara sintetis dalam pengenalan suara otomatis (ASR). Para peneliti memparameterisasi distribusi jeda dan tumpang tindih menggunakan keluarga kemiringan eksponensial dan mengeksplorasi ruang berdimensi empat yang dihasilkan melalui sampling hiperkubus Latin dan optimasi Bayesian multi-tujuan.
- Konfigurasi waktu simulasi digunakan untuk melatih sistem ASR dan mengevaluasi kinerja pada korpus dialog Hungaria menggunakan metrik cpWER dan cpCER.
- Paparan lebih tinggi terhadap tumpang tindih suara berkorelasi dengan tingkat kesalahan kata yang lebih rendah, sementara jeda yang lebih lama dan lebih bervariasi terkait dengan tingkat kesalahan yang lebih tinggi.
- Optimasi Bayesian memberikan peningkatan agregat yang modest tetapi terutama berperan analitis dengan mengungkap trade-off spesifik antara waktu tumpang tindih dan jeda.
Temuan ini menunjukkan bahwa simulasi realistis harus dilengkapi dengan diagnostik relevan tugas dari profil tumpang tindih, jeda, dan variabilitas waktu untuk meningkatkan utilitas data pelatihan.