ある研究は、自動音声認識（ASR）における合成マルチスピーカー会話のトレーニングにおいて、会話タイミングを制御可能な変数として調査しています。研究者らは指数分布ティルト族を用いてポーズとオーバーラップの分布をパラメータ化し、ラテン超立方体サンプリングと多目的ベイズ最適化を通じて結果の4次元空間を探査しました。

  • シミュレーションされたタイミング構成はASRシステムのトレーニングに使用され、cpWERおよびcpCER指標を用いてハンガリー語対話コーパス上でパフォーマンスが評価されました。
  • 音声オーバーラップへの曝露量が増加すると単語誤り率が低下する一方、より長くかつ可変性の高いギャップは誤り率の上昇と関連しています。
  • ベイズ最適化は限定的な集計改善をもたらしましたが、主にオーバーラップとギャップタイミング間の特定のトレードオフを明らかにすることで分析役割を果たしました。

これらの知見は、トレーニングデータの有用性を向上させるために、現実的なシミュレーションにオーバーラップ、ギャップ、およびタイミング可変性プロファイルのタスク関連診断を補完的に組み合わせるべきであることを示唆しています。