Da li AI razume moj akcenat kada pričam engleski?

Zašto se AI godinama mučio sa akcentima

Prepoznavanje govora nije oduvek dobro podnosilo akcente. Početkom 2010-ih sistemi su se uglavnom obučavali na snimcima izvornih govornika, često iz uskog kruga regiona i dijalekata. Kada bi učenik sa srpskim ili mađarskim akcentom govorio engleski, stopa greške sistema mogla je da se udvostruči ili utrostruči u poređenju sa standardnim američkim ili britanskim glasom.

Razlog je bio jednostavan. Model govora uči tako što povezuje glasove sa rečima, a može da poveže samo ono što je već čuo. Ako nikada nije čuo određenu zamenu samoglasnika ili drugačiji obrazac naglašavanja, nije imao na šta da preslika taj glas. Rezultat je bio transkript pun pogrešnih reči i učenik koji je zaključio da mašine jednostavno ne mogu da ga čuju.

Taj zaključak je tada bio razuman, ali je loše ostario. Problem podataka za obuku napadnut je sa nekoliko strana istovremeno, a razlika između prepoznavanja izvornih i neizvornih govornika smanjila se brže nego što većina učenika shvata.

Šta se promenilo u prepoznavanju govora

Najveća promena su sami podaci. Moderni sistemi obučavaju se na milionima sati govora prikupljenog sa svih kontinenata, uključujući ogromne količine engleskog koji nije maternji. Model koji je čuo deset hiljada govornika iz Indije, Nigerije i Brazila više se ne iznenađuje kada učenik izgovori "think" kao "tink" ili izostavi završni suglasnik u "hand".

Duboko učenje je takođe promenilo način na koji se greške obrađuju. Stariji sistemi delili su govor na male jedinice i uparivali ih jednu po jednu. Noviji modeli slušaju celu frazu i predviđaju najverovatniju rečenicu, što znači da kontekst spasava pokoju pogrešno izgovorenu reč. Ako kažete "I need to catch the buss", model čuje okolne reči i ispravno upisuje "bus", jer "buss" nema smisla u toj rečenici.

Praktičan zaključak je da novija merenja pokazuju da je tačnost prepoznavanja engleskog koji nije maternji danas blizu nivoa izvornih govornika kod glavnih komercijalnih sistema. To ne znači da se svaki akcenat obrađuje jednako, ali znači da su dani kada su mašine jednostavno zakazivale na stranom akcentu uglavnom prošli.

Koje akcente AI dobro razume?

Tačnost nije ravnomerno raspoređena. Akcenti koji se najčešće pojavljuju u podacima za obuku obrađuju se najbolje, a to su obično oni sa najvećim brojem govornika engleskog. Indijski, nigerijski, filipinski i glavni evropski akcenti dobro su zastupljeni, jer te populacije svakog dana proizvode ogromne količine engleskog govora.

Manji ili ređi akcenti su slaba tačka. Govornik iz manje jezičke zajednice sa prepoznatljivim ritmom i sistemom samoglasnika može i dalje da nailazi na više grešaka, jednostavno zato što je model čuo manje primera tog konkretnog obrasca glasova. Isto važi i za akcente koji na neobičan način mešaju dva ili tri uticaja.

Postoji i razlika između razumevanja i ocenjivanja. Sistem može savršeno da transkribuje vaše reči, a da ipak označi pojedine glasove kao netačne, jer su transkripcija i procena izgovora dva različita zadatka. Ta razlika je važnija nego što većina učenika shvata, i na nju ćemo se vratiti kasnije.

Kada AI i dalje pogrešno razume vaš akcenat

Tri situacije i dalje proizvode greške, a vredi ih znati jer su dve od njih pod vašom kontrolom.

Prvo, buka u pozadini. Model koji savršeno razume vaš akcenat u tihoj sobi mučiće se u kafiću ili autobusu, jer nivo buke potapa upravo one glasove koji razlikuju jednu reč od druge. To važi i za izvorne govornike, ali je efekat veći kada izgovor već nije standardan.

Drugo, brzina. Kada govorite veoma brzo, glasovi se stapaju i model ima manje informacija po reči. Ako usporite čak deset ili petnaest procenata, prepoznavanje se može primetno poboljšati, a to vas ne čini manje tečnim u ušima ljudskog slušaoca.

Treće, izražene regionalne osobine. Ako vaš engleski nosi jak regionalni akcenat iz maternjeg jezika, neke razlike među suglasnicima i samoglasnicima mogu i dalje da se izgube. To nije razlog da izbrišete svoj akcenat, ali jeste razlog da proverite koje konkretne glasove sistem pogrešno čuje, jer su to glasovi sa kojima bi se možda mučio i ljudski slušalac.

Da li AI razume moj akcenat kada pričam engleski? Evo kako da to proverite

Najbolji način da odgovorite na pitanje "da li AI razume moj akcenat kada pričam engleski" jeste da to direktno testirate, i to tako da dobijete korisnu informaciju, a ne samo da ili ne. Alat kao što je Tutoro radi to unutar razgovora, ocenjujući svaku reč dok je izgovarate, pa odgovor dolazi iz vašeg sopstvenog govora, a ne iz opšte tvrdnje.

Počnite besplatnim diktiranjem. Otvorite bilo koji široko korišćen alat za transkripciju, govorite jedan minut o temi koju dobro poznajete i pročitajte rezultat. Prebrojte greške. Ako je transkript uglavnom tačan, sistem vas razume. Ako nije, pogledajte koje su reči pogrešne, jer obrazac govori koje su glasove problem.

Zatim testirajte isti minut u bučnom okruženju. Razlika između rezultata u tihoj i bučnoj sobi pokazuje koliko je teškoće u vašem akcentu, a koliko u okruženju. Ta razlika je korisna, jer se jedno rešava tišom sobom, a drugo vežbom.

Na kraju, probajte alat koji vam daje povratnu informaciju, a ne samo transkript. Sistem koji označava svaku reč kao dobru, osrednju ili lošu govori vam nešto što običan transkript ne može: ne samo da li ste bili shvaćeni, već i koje glasove bi slušalac mogao da smatra nejasnim. Tu vežbanje engleskog govora uz AI postaje zaista korisno, jer se ocenjivanje vrši po reči i uživo, pa tačno vidite koji je slog zbunio sistem dok ga još izgovarate.

Tutoro pokreće ocenjivanje izgovora unutar razgovora, pa ne diktirate u prazan okvir, već razgovarate sa tutorom koji označava svaku reč kao dobru, osrednju ili lošu dok je izgovarate. Pošto je ocenjivanje uživo i reč po reč, vidite koji je glas izazvao problem i možete odmah da ga ponovite. Odgovara učenicima koji žele povratnu informaciju dok govore, a ne transkript za kasniju analizu, i manje je koristan ako vam treba samo neutralna transkripcija dugih snimaka.

Da li razumevanje znači i pošteno ocenjivanje?

Evo dela koji većina učenika propušta. Mašina može savršeno da razume vaš akcenat, a da ipak strogo oceni vaš izgovor, jer su to različiti sistemi sa različitim ciljevima. Transkripcija pita "šta je ova osoba rekla?", dok ocenjivanje izgovora pita "koliko je svaki glas blizu referentnog izgovora?"

To je važno jer učenik koji dobije nisku ocenu izgovora može pogrešno da zaključi da ga AI ne razume. Zapravo je često obrnuto: sistem je razumeo svaku reč i sada vam govori koliko je svaki glas daleko od cilja. To je povratna informacija, a ne odbijanje, i upravo je to informacija koja vam treba da napredujete.

Pošteno pitanje, dakle, nije da li AI razume vaš akcenat. Već da li povratna informacija koju dobijate tretira vaš akcenat kao problem koji treba izbrisati ili kao skup konkretnih glasova koje treba izbrusiti. Najbolji alati tu razliku jasno prave, označavajući pojedinačne reči umesto da vam daju jednu opštu ocenu koja ne govori ništa o tome šta da popravite.

Istraživanje o automatskoj proceni izgovora za učenike drugog jezika pokazuje da povratna informacija na nivou reči pomaže učenicima da napreduju više od jedne globalne ocene, jer ukazuje na tačan glas koji treba vežbati. Učenik koji zna da su "ship" i "sheep" problem može da vežba taj par; učenik kome se kaže "tvoj izgovor je 62%" može samo da nagađa.

To je pravi odgovor na pitanje. Moderni AI razume većinu akcenata dovoljno dobro da ih transkribuje, a korisni sistemi idu dalje i govore vam koje glasove bi slušalac mogao da smatra nejasnim. Vaš akcenat nije prepreka da vas mašina razume. On je izvor konkretnih, primenljivih povratnih informacija, ako koristite alat koji vam ih daje reč po reč.

Šta da radite sa ovim informacijama?

Prestanite da pitate da li mašina može da vas čuje, jer je odgovor skoro uvek da. Počnite da pitate koje glasove označava, i da li bi ljudski slušalac označio iste. Preklapanje tih dveju lista je mesto gde treba da uložite vreme za vežbu.

Izaberite jedan par glasova koji sistem označava kao loš i vežbajte ga u pravim rečenicama, a ne izolovano. Ako sistem označi vaš "th" kao loš, izgovorite "I think this is the thing" deset puta i gledajte kako se ocena menja. Ako označi završne suglasnike, pročitajte kratak pasus i fokusirajte se samo na krajeve reči. Cilj nije savršena ocena, već jasan signal da je određeni glas postao jasniji.

Vaš akcenat je deo toga kako govorite engleski i ne mora da nestane da bi vas razumeli. Ono što treba da se desi jeste da se konkretni glasovi koji zaista zbunjuju slušaoce izbruse, a ostatak može da ostane tačno takav kakav je. AI je danas dovoljno dobar da vam kaže koji su to glasovi, što je mnogo korisniji odgovor od običnog da ili ne.