Poate AI-ul să înțeleagă accentul meu când vorbesc engleză?

De ce s-a luptat AI-ul ani de zile cu accentele

Recunoașterea vocală nu s-a descurcat întotdeauna bine cu accentele. La începutul anilor 2010, sistemele erau antrenate în mare parte pe înregistrări ale vorbitorilor nativi, adesea dintr-un set restrâns de regiuni și dialecte. Când un vorbitor cu accent românesc spunea o propoziție în engleză, rata de eroare a sistemului putea să se dubleze sau să se tripleze față de o voce americană sau britanică standard.

Motivul era simplu. Un model vocal învață prin potrivirea sunetelor cu cuvintele și poate potrivi doar ceea ce a auzit înainte. Dacă nu auzise niciodată o anumită substituție de vocală sau un tipar accentual diferit, nu avea pe ce să mapeze sunetul. Rezultatul era o transcriere plină de cuvinte greșite și un vorbitor care ajungea la concluzia că mașinile pur și simplu nu îl pot auzi.

Acea concluzie era rezonabilă la vremea respectivă, dar a îmbătrânit prost. Problema datelor de antrenament a fost atacată din mai multe direcții simultan, iar diferența dintre recunoașterea vorbitorilor nativi și cea a celor non-nativi s-a închis mai repede decât își dau seama majoritatea vorbitorilor.

Ce s-a schimbat în recunoașterea vocală

Cea mai mare schimbare sunt datele în sine. Sistemele moderne sunt antrenate pe milioane de ore de vorbire colectate de pe toate continentele, inclusiv volume mari de engleză vorbită de non-nativi. Un model care a auzit zece mii de vorbitori indieni, nigerieni și brazilieni nu mai este surprins când un vorbitor pronunță "think" ca "tink" sau omite consoana finală din "hand".

Învățarea profundă a schimbat și modul în care sunt gestionate erorile. Sistemele mai vechi împărțeau vorbirea în unități mici și le potriveau una câte una. Modelele mai noi ascultă întreaga frază și prezic propoziția cea mai probabilă, ceea ce înseamnă că contextul salvează un cuvânt pronunțat greșit. Dacă spui "I need to catch the buss", modelul aude cuvintele din jur și scrie corect "bus", pentru că "buss" nu are sens în acea propoziție.

Rezultatul practic este că testele recente arată că acuratețea recunoașterii englezei non-native se apropie acum de nivelurile native pentru marile sisteme comerciale. Asta nu înseamnă că fiecare accent este tratat la fel, dar înseamnă că zilele în care mașinile pur și simplu eșuau pe un accent străin sunt în mare parte apuse.

Ce accente gestionează bine AI-ul?

Acuratețea nu este distribuită uniform. Accentele care apar cel mai des în datele de antrenament sunt gestionate cel mai bine, iar acestea sunt de obicei cele cu cel mai mare număr de vorbitori de engleză. Engleza indiană, engleza nigeriană, engleza filipineză și marile accente europene sunt bine reprezentate, pentru că aceste populații produc zilnic cantități enorme de vorbire în engleză.

Există și o diferență între înțelegere și evaluare. Un sistem poate transcrie perfect cuvintele tale și totuși să semnaleze sunete individuale ca incorecte, pentru că transcrierea și evaluarea pronunției sunt două sarcini diferite. Această distincție contează mai mult decât își dau seama majoritatea vorbitorilor și reapare mai târziu.

Când greșește AI-ul încă accentul tău

Trei situații produc încă erori și merită cunoscute, pentru că două dintre ele sunt sub controlul tău.

În primul rând, zgomotul de fundal. Un model care gestionează perfect accentul tău într-o cameră liniștită se va descurca greu într-o cafenea sau într-un autobuz, pentru că zgomotul acoperă exact sunetele care disting un cuvânt de altul. Acest lucru este valabil și pentru vorbitorii nativi, dar efectul este mai mare când pronunția este deja non-standard.

În al doilea rând, viteza. Când vorbești foarte repede, sunetele se contopesc și modelul are mai puține informații per cuvânt. Încetinirea cu doar zece sau cincisprezece procente poate îmbunătăți vizibil recunoașterea și nu te face să suni mai puțin fluent pentru un ascultător uman.

În al treilea rând, trăsăturile regionale puternice. Dacă engleza ta poartă un accent regional puternic din limba ta maternă, unele distincții de consoane și vocale pot fi încă pierdute. Acesta nu este un motiv să-ți ștergi accentul, dar este un motiv să verifici ce sunete specifice aude greșit sistemul, pentru că acelea sunt sunetele cu care s-ar putea confrunta și un ascultător uman.

Poate AI-ul să înțeleagă accentul meu când vorbesc engleză? Iată cum să testezi

Cea mai bună modalitate de a răspunde la întrebarea "intelege AI-ul accentul meu cand vorbesc engleza" este să o testezi direct și să o testezi într-un mod care îți oferă informații utile, nu un simplu da sau nu. Un instrument precum Tutoro face acest lucru în cadrul unei conversații, evaluând fiecare cuvânt pe măsură ce îl spui, astfel încât răspunsul vine din propria ta vorbire, nu dintr-o afirmație generală.

Începe cu dictare gratuită. Deschide orice instrument de transcriere utilizat pe scară largă, vorbește un minut despre un subiect pe care îl cunoști bine și citește rezultatul. Numără erorile. Dacă transcrierea este în mare parte corectă, sistemul te înțelege. Dacă nu, uită-te la ce cuvinte au ieșit greșit, pentru că tiparul îți spune care sunete sunt problema.

Apoi testează același minut într-un mediu zgomotos. Diferența dintre rezultatele din camera liniștită și cele din camera zgomotoasă arată cât de mult din dificultate este accentul tău și cât este mediul. Aceasta este o distincție utilă, pentru că una dintre ele se rezolvă cu o cameră mai liniștită, iar cealaltă cu exercițiu.

În final, încearcă un instrument care îți oferă feedback, nu doar o transcriere. Un sistem care marchează fiecare cuvânt ca bun, acceptabil sau slab îți spune ceva ce o simplă transcriere nu poate: nu doar dacă ai fost înțeles, ci și ce sunete ar putea părea neclare unui ascultător. Aici exersarea vorbirii în engleză cu AI devine cu adevărat utilă, pentru că evaluarea este per cuvânt și în timp real, astfel încât poți vedea exact ce silabă a încurcat sistemul în timp ce încă o pronunți.

Tutoro rulează evaluarea pronunției în cadrul conversației, astfel încât nu dictezi într-o casetă goală, ci vorbești cu un tutore care marchează fiecare cuvânt ca bun, acceptabil sau slab pe măsură ce îl spui. Pentru că evaluarea este în timp real și cuvânt cu cuvânt, poți vedea ce sunet a cauzat problema și îl poți repeta imediat. Se potrivește vorbitorilor care vor feedback în timp ce vorbesc, nu o transcriere de analizat ulterior, și este mai puțin util dacă vrei doar o transcriere neutră a unor înregistrări lungi.

Înseamnă că te înțelege că te și evaluează corect?

Iată partea pe care majoritatea vorbitorilor o ratează. O mașină poate înțelege perfect accentul tău și totuși să-ți evalueze aspru pronunția, pentru că acestea sunt sisteme diferite cu obiective diferite. Transcrierea întreabă "ce a spus această persoană?", în timp ce evaluarea pronunției întreabă "cât de aproape a fost fiecare sunet de o pronunție de referință?"

Acest lucru contează pentru că un vorbitor care primește un scor scăzut la pronunție poate concluziona greșit că AI-ul nu îl poate înțelege. De fapt, adesea este invers: sistemul a înțeles fiecare cuvânt și acum îți spune cât de departe este fiecare sunet de o țintă. Acesta este feedback, nu respingere, și este exact informația de care ai nevoie pentru a te îmbunătăți.

Întrebarea corectă, așadar, nu este dacă AI-ul înțelege accentul tău. Este dacă feedback-ul pe care îl primești tratează accentul tău ca pe o problemă de șters sau ca pe un set de sunete specifice de ascuțit. Cele mai bune instrumente fac această distincție clară, marcând cuvinte individuale în loc să-ți dea un singur scor general care nu-ți spune nimic despre ce să corectezi.

Cercetările privind evaluarea automată a pronunției pentru vorbitorii de limbă secundă arată că feedback-ul la nivel de cuvânt îi ajută pe vorbitori să se îmbunătățească mai mult decât un singur scor global, pentru că indică exact sunetul care necesită lucru. Un vorbitor care știe că "ship" și "sheep" sunt problema poate exersa acea pereche; un vorbitor căruia i se spune "pronunția ta este 62%" poate doar să ghicească.

Acesta este răspunsul real la întrebare. AI-ul modern înțelege majoritatea accentelor suficient de bine pentru a le transcrie, iar sistemele utile merg mai departe și îți spun ce sunete ar putea părea neclare unui ascultător. Accentul tău nu este o barieră în a fi înțeles de o mașină. Este o sursă de feedback specific și aplicabil, dacă folosești un instrument care ți-l oferă cuvânt cu cuvânt.

Ce ar trebui să faci cu această informație?

Nu mai întreba dacă mașina te poate auzi, pentru că răspunsul este aproape întotdeauna da. Începe să întrebi ce sunete semnalează și dacă un ascultător uman ar semnala aceleași sunete. Suprapunerea dintre aceste două liste este locul unde ar trebui să-ți petreci timpul de exersare.

Alege o pereche de sunete pe care sistemul o marchează ca slabă și exerseaz-o în propoziții reale, nu izolat. Dacă sistemul îți marchează "th" ca slab, spune "I think this is the thing" de zece ori și urmărește cum se mișcă scorul. Dacă îți marchează consoanele finale, citește un paragraf scurt și concentrează-te doar pe finalul cuvintelor. Scopul nu este un scor perfect, ci un semnal clar că un sunet specific a devenit mai clar.

Accentul tău face parte din modul în care vorbești engleza și nu trebuie să dispară pentru a fi înțeles. Ce trebuie să se întâmple este ca sunetele specifice care îi derutează cu adevărat pe ascultători să fie ascuțite, iar restul poate rămâne exact așa cum este. AI-ul este acum suficient de bun pentru a-ți spune care sunt acele sunete, ceea ce este un răspuns mult mai util decât un simplu da sau nu.