Um estudo investiga o ritmo conversacional como uma variável controlável para treinar conversações multi-orador sintéticas em reconhecimento automático de fala (ASR). Os pesquisadores parametrizaram as distribuições de pausa e sobreposição usando uma família de inclinação exponencial e exploraram o espaço tridimensional resultante por meio de amostragem hipercúbica latina e otimização bayesiana multiobjetivo.
- Configurações de temporização simuladas foram usadas para treinar sistemas ASR e avaliar o desempenho em um corpus de diálogos húngaros usando as métricas cpWER e cpCER.
- Maior exposição à sobreposição da fala está correlacionada com menores taxas de erro de palavra, enquanto intervalos mais longos e variáveis estão associados a maiores taxas de erro.
- A otimização bayesiana forneceu melhorias agregadas modestas, mas serviu principalmente a um papel analítico ao revelar a compensação específica entre a temporização da sobreposição e do intervalo.
Os achados sugerem que a simulação realista deve ser complementada por diagnósticos relevantes para a tarefa dos perfis de sobreposição, intervalo e variabilidade da temporização para melhorar a utilidade dos dados de treinamento.