Исследование изучает разговорное тайминговое взаимодействие как управляемую переменную для обучения синтетическим многопользовательским диалогам в системах автоматического распознавания речи (ASR). Исследователи параметризовали распределения пауз и перекрытий с помощью семейства экспоненциального наклона и исследовали полученное четырехмерное пространство с помощью латинского гиперкубного сэмплирования и многокритериальной байесовской оптимизации.

  • Для обучения систем ASR использовались смоделированные тайминговые конфигурации, а оценка производительности проводилась на венгерском корпусе диалогов с использованием метрик cpWER и cpCER.
  • Более высокая степень перекрытия речевых потоков коррелирует с более низким уровнем ошибок слов, тогда как более длинные и вариабельные паузы связаны с более высоким уровнем ошибок.
  • Байесовская оптимизация обеспечила умеренное совокупное улучшение, но в основном выполняла аналитическую роль, выявив конкретный компромисс между таймингом перекрытия и паузы.

Полученные результаты указывают на то, что реалистичное моделирование должно дополняться диагностикой профилей перекрытия, пауз и вариабельности тайминга, релевантной для конкретной задачи, чтобы повысить полезность обучающих данных.