Aprendizado de máquina para treinamento de reconhecimento de fala Ppt

Slide 1

Este slide apresenta o reconhecimento de fala como uma aplicação de aprendizado de máquina. É um recurso que permite que um software de computador converta a fala humana em texto.

Slide 2

Este slide descreve o funcionamento de um sistema de reconhecimento de fala. O processo de três etapas inclui nível de sinal, nível acústico e nível de linguagem que converte um sinal analógico em transcrição.

Slide 3

Este slide lista os principais recursos de um sistema de reconhecimento de fala eficaz e eficiente. Esses recursos incluem ponderação de linguagem, treinamento acústico, rotulagem de alto-falante e filtragem de palavrões.

Notas do instrutor:

• Ponderação de idioma: pode melhorar a precisão ao ponderar palavras específicas usadas com frequência, como nomes de produtos
• Treinamento acústico: esses sistemas orientados a ML prestam atenção à parte acústica do negócio. Ele treina o sistema para se ajustar a estilos de fala (como tom de voz, volume e ritmo) e ambientes acústicos (como os vistos em call centers)
• Rotulagem do orador: esses sistemas podem criar uma transcrição de uma conversa com vários participantes que faz referência ou marca as contribuições de cada orador
• Filtragem de palavrões: Os filtros podem ser usados para identificar palavras ou frases específicas e limpar a saída de áudio

Slide 4

Este slide descreve os tipos de algoritmos de reconhecimento de fala. Isso inclui processamento de linguagem natural, modelo oculto de Markov, N-gramas, redes neurais e diarização de alto-falante.

Notas do instrutor:

• Processamento de Linguagem Natural: Embora o Processamento de Linguagem Natural (NLP) não seja estritamente um método específico para reconhecimento de fala, é um ramo da Inteligência Artificial que se concentra na interação homem-máquina por meio de linguagens, como fala e texto. Muitos dispositivos móveis têm reconhecimento de fala integrado para realizar pesquisas por voz (por exemplo, Siri) ou para melhorar a acessibilidade de mensagens
• Modelo oculto de Markov: Os modelos ocultos de Markov nos permitem adicionar eventos ocultos em um modelo probabilístico, como tags de parte do discurso. São usados como modelos de sequência no reconhecimento de fala, atribuindo rótulos a cada item da sequência, como palavras, sílabas, frases, etc. Esses rótulos criam um mapeamento com a entrada disponível, permitindo identificar a sequência de rótulos mais relevante
• N-Grams: Este é o modelo de linguagem mais básico, no qual sentenças ou frases são atribuídas a probabilidade. Um N-grama é uma coleção de N palavras. Por exemplo, "Peça a pizza" é uma frase de 3 gramas, enquanto "peça a pizza" é uma frase de 4 gramas. A gramática e a probabilidade de determinadas sequências de palavras são usadas para aumentar o reconhecimento e a precisão
• Redes neurais: os dados de treinamento são processados usando redes neurais, que usam camadas de nós para replicar a interconexão do cérebro humano. Entradas, pesos, um viés e uma saída compõem cada nó. Se o valor de saída atingir um determinado limite, o nó é ativado e os dados são passados para o próximo nível da rede. Por meio do aprendizado supervisionado, as redes neurais aprendem essa função de mapeamento e a alteram usando gradiente descendente com base na função de perda
• Diarização do locutor: os algoritmos de diarização do locutor reconhecem e segmentam a fala com base na identidade do locutor. Isso permite que os programas diferenciem as pessoas em uma discussão e é comumente usado em contact centers para distinguir entre clientes e executivos de atendimento ao cliente

Slide 5

Este slide mostra o caso de uso da IBM de reconhecimento de fala conduzido por aprendizado de máquina. As tecnologias e serviços de Reconhecimento de Fala permitem que a IBM automatize operações de negócios complicadas enquanto adquire insights de negócios críticos.

Notas do instrutor:

• IBM Watson Speech to Text: IBM Watson Speech to Text é uma solução baseada em nuvem que aplica informações sobre gramática, estrutura linguística e composição de sinal de áudio/voz para gerar reconhecimento de fala personalizado para transcrição de texto eficaz
• IBM Watson Text to Speech: o IBM Watson Text to Speech oferece áudio semelhante ao humano a partir de texto escrito, expandindo a acessibilidade entre idiomas e modos de interação e aumentando o envolvimento e a felicidade do cliente