Rozumie AI môjmu prízvuku, keď hovorím po anglicky?

Prečo mala AI roky problém s prízvukom

Rozpoznávanie reči si s prízvukom nie vždy poradilo. Na začiatku desiatych rokov boli systémy trénované prevažne na nahrávkach rodených hovoriacich, často z úzkej skupiny regiónov a dialektov. Keď študent so slovenským alebo maďarským prízvukom hovoril po anglicky, chybovosť systému mohla byť dvoj- až trojnásobná v porovnaní so štandardným americkým alebo britským hlasom.

Dôvod bol jednoduchý. Model reči sa učí priraďovaním zvukov k slovám a dokáže priradiť len to, čo už predtým počul. Ak nikdy nepočul konkrétnu zámenu samohlásky alebo odlišný vzorec prízvuku, nemal zvuk k čomu priradiť. Výsledkom bol prepis plný nesprávnych slov a študent, ktorý si myslel, že stroje ho jednoducho nedokážu počuť.

V tom čase to bol rozumný záver, ale zostarol rýchlo. Problém tréningových dát sa riešil z viacerých strán naraz a rozdiel medzi rozpoznávaním rodenej a nerodenej reči sa zmenšil rýchlejšie, než si väčšina študentov uvedomuje.

Čo sa zmenilo v rozpoznávaní reči

Najväčšou zmenou sú samotné dáta. Moderné systémy sa trénujú na miliónoch hodín reči zozbieranej zo všetkých kontinentov, vrátane veľkého množstva angličtiny nerodených hovoriacich. Model, ktorý počul desaťtisíc indických, nigérijských a brazílskych hovoriacich, už nie je prekvapený, keď študent vysloví "think" ako "tink" alebo vynechá koncovú spoluhlásku v "hand".

Hlboké učenie tiež zmenilo spôsob, akým sa riešia chyby. Staršie systémy rozkladali reč na malé jednotky a porovnávali ich jednu po druhej. Novšie modely počúvajú celú frázu a predpovedajú najpravdepodobnejšiu vetu, takže kontext zachráni občasné zle vyslovené slovo. Ak poviete "I need to catch the buss", model počuje okolité slová a správne napíše "bus", pretože "buss" v tej vete nedáva zmysel.

Praktický výsledok je, že nedávne merania ukazujú, že presnosť rozpoznávania angličtiny nerodených hovoriacich sa dnes pri veľkých komerčných systémoch blíži úrovni rodených hovoriacich. Neznamená to, že každý prízvuk je zvládnutý rovnako, ale znamená to, že časy, keď stroje na cudzom prízvuku jednoducho zlyhávali, sú zväčša preč.

Ktoré prízvuky zvláda AI dobre?

Presnosť nie je rozložená rovnomerne. Najlepšie sú zvládnuté prízvuky, ktoré sa v tréningových dátach vyskytujú najčastejšie, a to sú zvyčajne tie s najväčším počtom hovoriacich angličtiny. Indická, nigérijská, filipínska angličtina a hlavné európske prízvuky sú dobre zastúpené, pretože tieto populácie vytvárajú každý deň obrovské množstvo anglickej reči.

Menšie alebo menej časté prízvuky sú slabým miestom. Hovoriaci z menšieho jazykového spoločenstva s výrazným rytmom a systémom samohlások môže stále naraziť na viac chýb, jednoducho preto, že model počul menej príkladov tohto konkrétneho zvukového vzorca. To isté platí pre prízvuky, ktoré nezvyčajne miešajú dva alebo tri vplyvy.

Existuje aj rozdiel medzi porozumením a hodnotením. Systém môže váš text prepísať dokonale a napriek tomu označiť jednotlivé zvuky ako nesprávne, pretože prepis a hodnotenie výslovnosti sú dve rôzne úlohy. Tento rozdiel je dôležitejší, než si väčšina študentov uvedomuje, a vrátime sa k nemu neskôr.

Kedy AI stále rozumie vášmu prízvuku nesprávne

Tri situácie stále vytvárajú chyby a stojí za to ich poznať, pretože dve z nich máte pod kontrolou.

Po prvé, hluk v pozadí. Model, ktorý váš prízvuk zvládne dokonale v tichej miestnosti, bude mať problém v kaviarni alebo v autobuse, pretože hluk prehluší práve tie zvuky, ktoré odlišujú jedno slovo od druhého. Platí to aj pre rodených hovoriacich, ale efekt je väčší, keď je výslovnosť už aj tak neštandardná.

Po druhé, rýchlosť. Keď hovoríte veľmi rýchlo, zvuky splývajú a model má menej informácií na jedno slovo. Spomalenie dokonca o desať alebo pätnásť percent môže rozpoznávanie výrazne zlepšiť a pred ľudským poslucháčom nebudete pôsobiť menej plynulo.

Po tretie, výrazné regionálne črty. Ak vaša angličtina nesie silný regionálny prízvuk z vášho materinského jazyka, niektoré rozdiely medzi spoluhláskami a samohláskami sa môžu stále stratiť. To nie je dôvod na to, aby ste svoj prízvuk vymazali, ale je to dôvod zistiť, ktoré konkrétne zvuky systém počuje nesprávne, pretože práve s nimi môže mať problém aj ľudský poslucháč.

Rozumie AI môjmu prízvuku, keď hovorím po anglicky? Takto si to otestujete

Najlepší spôsob, ako odpovedať na otázku "rozumie AI môjmu prízvuku keď hovorím po anglicky", je otestovať to priamo, a to tak, aby ste dostali užitočnú informáciu, nie jednoduché áno alebo nie. Nástroj ako Tutoro to robí v rámci konverzácie a hodnotí každé slovo, keď ho vyslovíte, takže odpoveď vychádza z vašej vlastnej reči, nie zo všeobecného tvrdenia.

Začnite s voľným diktovaním. Otvorte akýkoľvek bežne používaný nástroj na prepis, hovorte jednu minútu o téme, ktorú dobre poznáte, a prečítajte si výsledok. Spočítajte chyby. Ak je prepis väčšinou správny, systém vám rozumie. Ak nie, pozrite sa, ktoré slová sa pokazili, pretože vzorec vám povie, ktoré zvuky sú problém.

Potom otestujte tú istú minútu v hlučnom prostredí. Rozdiel medzi výsledkom v tichej miestnosti a v hluku ukazuje, koľko z ťažkostí spôsobuje váš prízvuk a koľko prostredie. Je to užitočné rozlíšenie, pretože jedno sa dá vyriešiť tichšou miestnosťou a druhé tréningom.

Nakoniec vyskúšajte nástroj, ktorý vám dáva spätnú väzbu, nielen prepis. Systém, ktorý označí každé slovo ako dobré, prijateľné alebo slabé, vám povie niečo, čo obyčajný prepis nedokáže: nielen či vám bolo rozumené, ale aj ktoré zvuky môže poslucháč považovať za nejasné. Tu sa cvičenie anglickej konverzácie s AI stáva naozaj užitočným, pretože hodnotenie prebieha po slovách a naživo, takže presne vidíte, ktorá slabika systém zaskočila, ešte kým ju vyslovujete.

Tutoro spúšťa hodnotenie výslovnosti priamo v konverzácii, takže nediktujete do prázdneho okna, ale hovoríte s lektorom, ktorý označuje každé slovo ako dobré, prijateľné alebo slabé, keď ho vyslovíte. Keďže hodnotenie je naživo a slovo po slove, vidíte, ktorý zvuk spôsobil problém, a môžete ho hneď zopakovať. Hodí sa pre študentov, ktorí chcú spätnú väzbu počas hovorenia, nie prepis na dodatočnú analýzu, a je menej užitočné, ak chcete len neutrálny prepis dlhých nahrávok.

Znamená to, že vás hodnotí spravodlivo?

Tu je časť, ktorú väčšina študentov prehliada. Stroj môže vášmu prízvuku rozumieť dokonale a napriek tomu ohodnotiť vašu výslovnosť prísne, pretože ide o dva rôzne systémy s rôznymi cieľmi. Prepis sa pýta "čo táto osoba povedala?", kým hodnotenie výslovnosti sa pýta "ako blízko bol každý zvuk k referenčnej výslovnosti?".

To je dôležité, pretože študent s nízkym hodnotením výslovnosti môže nesprávne usúdiť, že mu AI nerozumie. V skutočnosti je často pravý opak: systém rozumel každému slovu a teraz vám hovorí, ako ďaleko je každý zvuk od cieľa. To je spätná väzba, nie odmietnutie, a je to presne tá informácia, ktorú potrebujete na zlepšenie.

Spravodlivá otázka teda nie je, či AI rozumie vášmu prízvuku. Je to, či spätná väzba, ktorú dostávate, berie váš prízvuk ako problém na vymazanie, alebo ako súbor konkrétnych zvukov na vybrúsenie. Najlepšie nástroje tento rozdiel objasňujú a označujú jednotlivé slová namiesto jedného celkového skóre, ktoré vám nepovie nič o tom, čo opraviť.

Výskum automatického hodnotenia výslovnosti pre študentov druhého jazyka ukazuje, že spätná väzba na úrovni slov pomáha študentom zlepšovať sa viac než jedno globálne skóre, pretože ukazuje na presný zvuk, ktorý treba precvičiť. Študent, ktorý vie, že problémom sú "ship" a "sheep", môže tento pár precvičovať. Študent, ktorému povedia "vaša výslovnosť je 62 %", môže len hádať.

To je skutočná odpoveď na otázku. Moderná AI rozumie väčšine prízvukov natoľko, že ich dokáže prepísať, a užitočné systémy idú ďalej a povedia vám, ktoré zvuky môže poslucháč považovať za nejasné. Váš prízvuk nie je prekážkou v tom, aby vám stroj rozumel. Je zdrojom konkrétnej, použiteľnej spätnej väzby, ak používate nástroj, ktorý vám ju dáva slovo po slove.

Čo s týmito informáciami urobiť?

Prestaňte sa pýtať, či vás stroj dokáže počuť, pretože odpoveď je takmer vždy áno. Začnite sa pýtať, ktoré zvuky označuje, a či by tie isté označil aj ľudský poslucháč. Prienik týchto dvoch zoznamov je miesto, kam patrí váš čas na precvičovanie.

Vyberte si jednu dvojicu zvukov, ktorú systém označuje ako slabú, a precvičujte ju v skutočných vetách, nie izolovane. Ak systém označí vaše "th" ako slabé, povedzte desaťkrát "I think this is the thing" a sledujte, ako sa skóre hýbe. Ak označí vaše koncové spoluhlásky, prečítajte krátky odsek a sústreďte sa len na konce slov. Cieľom nie je dokonalé skóre, ale jasný signál, že konkrétny zvuk sa stal zrozumiteľnejším.

Váš prízvuk je súčasťou toho, ako hovoríte po anglicky, a nemusí zmiznúť, aby vám bolo rozumené. Potrebné je, aby sa konkrétne zvuky, ktoré naozaj mýlia poslucháčov, vybrúsili, a zvyšok môže zostať presne tak, ako je. AI je dnes už dosť dobrá na to, aby vám povedala, ktoré zvuky to sú, čo je oveľa užitočnejšia odpoveď než jednoduché áno alebo nie.