Odborná definícia
Odborná definícia
Voice activity detection, VAD, klasifikuje krátke úseky zvukového signálu ako reč, nereč alebo pravdepodobnosť rečovej aktivity. Používa energiu, spektrálne príznaky alebo neurónové modely a slúži na segmentáciu, spustenie ASR, potlačenie ticha a riadenie streamovania. VAD nerozpoznáva obsah ani identitu hovoriaceho. Musí zvládnuť šepot, hudbu, ruch, prekryv hovoriacich a oneskorenie na hraniciach slov. Prahy, minimálna dĺžka segmentu a hangover mechanizmus ovplyvňujú, či sa neodrežú začiatky alebo konce výpovede.
Zrozumiteľné vysvetlenie
Zrozumiteľné vysvetlenie
Pred prepisom hodinového záznamu je zbytočné posielať do rozpoznávača každú sekundu ticha a hluku. VAD funguje ako brána, ktorá otvorí spracovanie, keď zachytí ľudskú reč, a zatvorí ho po skončení výpovede. Ak je príliš citlivá, spustí ASR pri hudbe alebo ventilátore. Ak je prísna, odreže tichú slabiku alebo šepot. V telefonickom botovi ovplyvňuje aj pocit z rozhovoru, pretože oneskorené rozpoznanie konca vety spôsobí neprirodzené čakanie a príliš rýchle ukončenie preruší používateľa.
Časté otázky
Časté otázky
Ako sa VAD líši od speaker diarization?
VAD určuje, kedy je prítomná reč. Diarization navyše rozdeľuje reč podľa toho, ktorý hovoriaci práve rozpráva.
Čo je hangover time?
Krátke ponechanie segmentu otvoreného po poklese pravdepodobnosti reči. Chráni konce slov a pauzy vo vnútri jednej výpovede.
Prečo VAD reaguje na hudbu?
Spev a niektoré nástroje majú spektrálne a rytmické vlastnosti podobné hlasu. Model potrebuje reprezentatívne negatívne dáta a vhodný prah.
Ako sa meria kvalita VAD?
Sleduje sa false alarm rate, missed speech, presnosť hraníc, segmentačné oneskorenie a dopad na následný ASR alebo komunikačný systém.
Je VAD vhodná pre streamovanie v reálnom čase?
Áno, ak pracuje kauzálne alebo s malým lookaheadom. Offline model s veľkým kontextom môže byť presnejší, ale pridá neprijateľnú latenciu.
Súvisiace pojmy
Súvisiace pojmy
Zdroje a redakčná stopa
Zdroje a redakčná stopa
- WebRTC Voice Activity Detector pyannote.audio, speaker activity detection
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.