Rozumí AI mému přízvuku, když mluvím anglicky?

Proč měla AI roky problém s přízvuky

Rozpoznávání řeči si s přízvuky ne vždy poradilo. Na začátku desátých let se systémy trénovaly hlavně na nahrávkách rodilých mluvčích, často z úzké skupiny regionů a dialektů. Když student s českým nebo vietnamským přízvukem mluvil anglicky, chybovost systému mohla být dvakrát až třikrát vyšší než u standardního amerického nebo britského hlasu.

Důvod byl jednoduchý. Model řeči se učí tím, že přiřazuje zvuky ke slovům, a dokáže přiřadit jen to, co už někdy slyšel. Pokud nikdy neslyšel určitou záměnu samohlásky nebo jiný vzorec přízvuku, neměl zvuk k čemu mapovat. Výsledkem byl přepis plný špatných slov a student, který si odnesl závěr, že stroje ho prostě neslyší.

Ten závěr byl tehdy rozumný, ale zestárl hodně špatně. Problém trénovacích dat se řešil z několika směrů najednou a propast mezi rozpoznáváním rodilých a nerodilých mluvčích se zavřela rychleji, než si většina studentů uvědomuje.

Co se v rozpoznávání řeči změnilo

Největší změna jsou samotná data. Moderní systémy se trénují na milionech hodin řeči sesbírané ze všech kontinentů, včetně velkého množství angličtiny nerodilých mluvčích. Model, který slyšel deset tisíc indických, nigerijských a brazilských mluvčích, už není překvapený, když student vysloví "think" jako "tink" nebo spolkne koncovou souhlásku ve slově "hand".

Hluboké učení také změnilo způsob, jakým se chyby řeší. Starší systémy dělily řeč na malé jednotky a porovnávaly je jednu po druhé. Novější modely poslouchají celou frázi a předpovídají nejpravděpodobnější větu, takže kontext zachrání občasné špatně vyslovené slovo. Když řeknete "I need to catch the buss", model slyší okolní slova a správně napíše "bus", protože "buss" v té větě nedává smysl.

Praktický důsledek je ten, že nedávné testy ukazují, že přesnost rozpoznávání angličtiny nerodilých mluvčích se u hlavních komerčních systémů blíží úrovni rodilých mluvčích. Neznamená to, že se ke každému přízvuku přistupuje stejně, ale znamená to, že doby, kdy stroje na cizím přízvuku jednoduše selhávaly, jsou z velké části pryč.

Které přízvuky AI zvládá dobře?

Přesnost není rozložená rovnoměrně. Nejlépe se zvládají přízvuky, které se v trénovacích datech objevují nejčastěji, a to jsou obvykle ty s největším počtem mluvčích angličtiny. Indická, nigerijská a filipínská angličtina i hlavní evropské přízvuky jsou dobře zastoupené, protože tyto populace produkují každý den obrovské množství anglické řeči.

Menší nebo méně časté přízvuky jsou slabé místo. Mluvčí z menší jazykové komunity s výrazným rytmem a systémem samohlásek může pořád narazit na víc chyb, jednoduše proto, že model slyšel méně příkladů toho konkrétního zvukového vzorce. To samé platí pro přízvuky, které neobvykle míchají dva nebo tři vlivy.

Je tu také rozdíl mezi porozuměním a hodnocením. Systém může váš text přepsat dokonale a přesto označit jednotlivé zvuky jako nesprávné, protože přepis a hodnocení výslovnosti jsou dva různé úkoly. Tento rozdíl je důležitější, než si většina studentů uvědomuje, a ještě se k němu vrátíme.

Kdy AI pořád váš přízvuk plete

Tři situace pořád produkují chyby a stojí za to je znát, protože dvě z nich máte pod kontrolou.

Za prvé, hluk v pozadí. Model, který váš přízvuk zvládá perfektně v tiché místnosti, bude mít problém v kavárně nebo v autobuse, protože hluková hladina pohřbí právě ty zvuky, které odlišují jedno slovo od druhého. To platí i pro rodilé mluvčí, ale efekt je větší, když je výslovnost už tak nestandardní.

Za druhé, rychlost. Když mluvíte velmi rychle, zvuky splývají a model má méně informací na jedno slovo. Zpomalení třeba jen o deset nebo patnáct procent může rozpoznávání znatelně zlepšit a před lidským posluchačem nevypadáte méně plynule.

Za třetí, silné regionální rysy. Pokud vaše angličtina nese těžký regionální přízvuk z vašeho mateřského jazyka, některé rozdíly mezi souhláskami a samohláskami se mohou pořád ztrácet. To není důvod svůj přízvuk mazat, ale je to důvod zjistit, které konkrétní zvuky systém slyší špatně, protože s nimi může mít problém i lidský posluchač.

Rozumí AI mému přízvuku, když mluvím anglicky? Tady je návod, jak to otestovat

Nejlepší způsob, jak odpovědět na otázku "rozumí AI mému přízvuku, když mluvím anglicky", je otestovat to přímo, a to tak, abyste dostali užitečnou informaci, ne jen ano nebo ne. Nástroj jako Tutoro to dělá přímo v konverzaci a hodnotí každé slovo, jak ho vyslovíte, takže odpověď vychází z vaší vlastní řeči, ne z obecného tvrzení.

Začněte s volným diktováním. Otevřete jakýkoli běžně používaný přepisovací nástroj, mluvte minutu o tématu, které dobře znáte, a přečtěte si výsledek. Spočítejte chyby. Pokud je přepis z větší části správný, systém vám rozumí. Pokud ne, podívejte se, která slova se pokazila, protože vzorec vám řekne, které zvuky jsou problém.

Pak otestujte stejnou minutu v hlučném prostředí. Rozdíl mezi výsledkem v tiché místnosti a v hluku ukáže, jak velká část obtíží je váš přízvuk a jak velká je prostředí. To je užitečné rozlišení, protože jedno se dá vyřešit tišší místností a druhé tréninkem.

Nakonec zkuste nástroj, který vám dává zpětnou vazbu, ne jen přepis. Systém, který označuje každé slovo jako dobré, průměrné nebo slabé, vám řekne něco, co obyčejný přepis neumí: ne jen jestli vám bylo rozumět, ale které zvuky může posluchač vnímat jako nejasné. Tady se procvičování mluvené angličtiny s AI stává skutečně užitečným, protože hodnocení probíhá po slovech a naživo, takže přesně vidíte, která slabika systém zaskočila, ještě když ji vyslovujete.

Tutoro spouští hodnocení výslovnosti přímo v konverzaci, takže nediktujete do prázdného pole, ale mluvíte s lektorem, který každé slovo označí jako dobré, průměrné nebo slabé, jak ho řeknete. Protože je hodnocení živé a po jednotlivých slovech, vidíte, který zvuk problém způsobil, a můžete ho hned zopakovat. Hodí se pro studenty, kteří chtějí zpětnou vazbu během mluvení, ne přepis k pozdější analýze, a je méně užitečné, pokud chcete jen neutrální přepis dlouhých nahrávek.

Znamená porozumění i spravedlivé hodnocení?

Tady je část, kterou většina studentů přehlédne. Stroj může vašemu přízvuku rozumět dokonale a přesto vaši výslovnost hodnotit přísně, protože jde o dva různé systémy s různými cíli. Přepis se ptá "co ten člověk řekl?", zatímco hodnocení výslovnosti se ptá "jak blízko byl každý zvuk referenční výslovnosti?".

To je důležité, protože student s nízkým skóre výslovnosti může mylně usoudit, že mu AI nerozumí. Ve skutečnosti bývá pravda často opačná: systém rozuměl každému slovu a teď vám říká, jak daleko je každý zvuk od cíle. To je zpětná vazba, ne odmítnutí, a je to přesně informace, kterou potřebujete ke zlepšení.

Spravedlivá otázka tedy nezní, jestli AI rozumí vašemu přízvuku. Zní, jestli zpětná vazba, kterou dostáváte, bere váš přízvuk jako problém k vymazání, nebo jako sadu konkrétních zvuků k vybroušení. Nejlepší nástroje tento rozdíl vyjasňují a označují jednotlivá slova místo jednoho celkového skóre, které vám neřekne nic o tom, co opravit.

Výzkum automatického hodnocení výslovnosti u studentů druhého jazyka ukazuje, že zpětná vazba na úrovni slov pomáhá studentům zlepšovat se víc než jedno globální skóre, protože ukazuje na přesný zvuk, na kterém je třeba pracovat. Student, který ví, že problém je ve dvojici "ship" a "sheep", může ten pár drilovat. Student, kterému řeknou "vaše výslovnost je 62 %", může jen hádat.

To je skutečná odpověď na tu otázku. Moderní AI rozumí většině přízvuků dost dobře na to, aby je přepsala, a užitečné systémy jdou dál a řeknou vám, které zvuky může posluchač vnímat jako nejasné. Váš přízvuk není překážka v tom, aby vám stroj rozuměl. Je zdrojem konkrétní, použitelné zpětné vazby, pokud používáte nástroj, který vám ji dává slovo po slově.

Co s tou informací udělat?

Přestaňte se ptát, jestli vás stroj slyší, protože odpověď je téměř vždy ano. Začněte se ptát, které zvuky označuje, a jestli by stejné zvuky označil i lidský posluchač. Průnik těchto dvou seznamů je místo, kam patří váš tréninkový čas.

Vyberte jednu dvojici zvuků, kterou systém označuje jako slabou, a drilujte ji v celých větách, ne izolovaně. Pokud systém označí vaše "th" jako slabé, řekněte desetkrát "I think this is the thing" a sledujte, jak se skóre hýbe. Pokud označí koncové souhlásky, přečtěte krátký odstavec a soustřeďte se jen na konce slov. Cílem není dokonalé skóre, ale jasný signál, že se konkrétní zvuk stal srozumitelnějším.

Váš přízvuk je součástí toho, jak mluvíte anglicky, a nemusí zmizet, abyste byli srozumitelní. Potřebné je, aby se vybrousily konkrétní zvuky, které posluchače skutečně matou, a zbytek může zůstat přesně tak, jak je. AI je dnes dost dobrá na to, aby vám řekla, které zvuky to jsou, což je mnohem užitečnější odpověď než prosté ano nebo ne.