Metric-AI представи на 20 ноември OhanTTS и семейството OhanASR за арменски език. Синтезаторът връща аудиото постепенно, но получава целия текст предварително. Разпознаването има отделни варианти за записи и за постъпващо аудио. Публикуваните модели са с лиценз CC BY-NC 4.0: достъпните тегла не означават свободно разрешена търговска употреба.

OhanTTS поддържа и други езици и гласова референция. Екипът изрично посочва ограничения при произношението, дългите генерации и смесването на езици. При OhanASR публикуваните показатели за записана и жива реч се различават; те не трябва да се смесват в едно обещание за точност.

Защо отделните компоненти имат значение

За език с по-малко готови инструменти е полезно да има избор на всеки етап: как звукът става текст и как отговорът отново става звук. Това позволява разработчикът да търси точно къде възниква грешката. Неразбрано име в разпознаването и неправилно изговорено име при синтеза изискват различни поправки.

Необходимо е да се различават и двата вида стрийминг. Бързо начало на аудиото след получаване на завършен текст не установява колко ще чака човек, докато друг модел още съставя този текст. В разговорна система общото закъснение включва целия път, а не само най-бързия компонент.

Предложен тест за малък езиков проект

Бихме започнали с кратки записи от съгласни участници: тихо помещение, уличен шум, имена и числа. Всеки запис трябва да има проверена транскрипция. Отделно бихме оценили дали синтезираният отговор запазва същите имена и стойности. Това е пример за бъдещ пилот, а не проведено от SIExpo изпитване.

За услуга с човешка помощ е важна възможността за корекция. След грешно разпознат номер потребителят трябва да може да го повтори, а системата да покаже какво действително е записала. Натрупаните поправки са полезни за оценката само ако се събират при ясни условия за достъп и съхранение.

При гласова референция бихме използвали единствено записи с разрешение от говорещия. Разрешението за експеримент трябва да описва и дали полученият глас може да бъде публикуван. Правата върху модела и съгласието на човека са два отделни въпроса.

Бихме водили малък журнал на грешките по категории, вместо веднага да заменяме всички компоненти. Грешка при транскрипция, проблем в разсъждението и дефект при възпроизвеждане могат да звучат сходно за слушателя, но възникват на различни места. Това разграничение улеснява оценката на следващата промяна.

Първата стъпка за комерсиален екип е изясняване на приложимия лиценз. За некомерсиални изследователи новината предоставя конкретни артефакти за проверка. И в двата случая качеството трябва да се оценява върху действителния езиков материал и условията на бъдещата услуга.