Байкальская природная территория (БПТ) – территория, прилегающая к озеру Байкал, являющемуся уникальным природным объектом и, в соответствии с конвенцией ЮНЕСКО, «Объектом всемирного природного наследия». Байкал находится на центральной части Байкальской рифтовой зоны (БРЗ) – самой активной сейсмической зоной, расположенной в середине России. Развитие БРЗ приводит к возникновению опасных геологических процессов, которые могут привести к нарушению экологического равновесия в системе озера Байкал и окружающей территории. Кроме того, эти процессы и явления представляют реальную угрозу для бесперебойного функционирования магистральных коммуникаций, ГЭС и стратегически важных производств в регионе, относящуюся по классификации МЧС России к первой категории опасности. Для обеспечения постоянного мониторинга и прогнозирования экологической обстановки БПТ организованы систематические наблюдения, а также получение и анализ информации об активности опасных геологических процессов в цифровом виде. Цифровая трансформация мониторинга опасных геологических процессов, вытекающая из цифровизации процессов и развития соответствующей инфраструктуры, обеспечивает возможность использования новых моделей и методов, более гибких подходов к анализу протекающих процессов и предсказанию возможных экстремальных явлений. В настоящей работе предлагается цифровая платформа, обеспечивающая поддержку цифровой трансформации мониторинга опасных геологических процессов на примере БПТ. Созданная и развиваемая платформа может быть также использована для экологического мониторинга БПТ в целом.

Предложен подход к прогнозированию показателя качества распознавания речи Word Error Rate (WER) на основе акустических характеристик сигнала и вычисления перплексии языковых моделей. Предлагаемый метод включает в себя создание разнообразных наборов аудиоданных путем применения различных типов акустических искажений к чистым речевым образцам на различных уровнях качества и разборчивости. В отличие от предыдущих работ, извлекается и анализируется полный набор речевых признаков: прогнозирование значения отношения сигнал/шум (signal-to-noise ratio, SNR), нейросетевые метрики качества звука (NISQA и др.), метрики уверенности модели распознавания речи, а также перплексия текста гипотезы ASR по языковой модели в качестве дополнительного признака для обучения единой модели прогнозирования WER.

Проведены эксперименты с использованием современных архитектур распознавания речи для демонстрации эффективности предлагаемого метода в прогнозировании WER в различных акустических условиях. Показано, что включение перплексии существенно повышает качество прогноза WER, в частности для данных, где акустические признаки слабо коррелируют с ошибками распознавания. Результаты применимы для автоматической оценки ожидаемого качества распознавания речи и фильтрации аудиовходов.