Предсказание качества автоматического распознавания речи на основе больших языковых моделей
Main Article Content
Аннотация
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.
Article Details
Библиографические ссылки
2. Nishida T. et al. Description and Discussion on DCASE 2025 Challenge Task 2: First-shot Unsupervised Anomalous Sound Detection for Machine Condition Monitoring // arXiv preprint arXiv:2506.10097. 2025. https://doi.org/10.48550/arXiv.2506.10097
3. Valladares-Poncela A., Fraga-Lamas P., Fernández-Caramés T.M. On-Device Automatic Speech Recognition for IIoT and Extended Reality Industrial Metaverse Applications // Engineering Proceedings. 2024. Vol. 82. Article 3. https://doi.org/10.3390/ecsa-11-20466
4. Polevoj A.V., Koruhova Yu.S. Ob odnom podhode k formal'noj verifikacii nejrosetevyh modelej // Nauchnyj servis v seti Internet: trudy XXVI Vserossijskoj nauchnoj konferencii (23–25 sentyabrya 2024 g., onlajn). M.: IPM im. M.V. Keldysha, 2024. S. 223–235. https://doi.org/10.20948/abrau-2024-11
5. Jakhar N., Srivastava S., Baby A. A Unified Approach to Multilingual Automatic Speech Recognition with Improved Language Identification for Indic Languages // Proc. Interspeech. 2024. С. 3949–3953.
6. Shah M.A., Noguero D.S., Heikkila M.A., Raj B., Kourtellis N. Speech robust bench: A robustness benchmark for speech recognition // arXiv preprint arXiv:2403.07937. 2024. https://doi.org/10.48550/arXiv.2403.07937
7. Baevski A., Zhou Y., Mohamed A., Auli M. wav2vec 2.0: A framework for self-supervised learning of speech representations // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 12449–12460.
8. Hsu W.-N., Bolte B., Tsai Y.-H.H., Lakhotia K., Salakhutdinov R., Mohamed A. HuBERT: Self-supervised speech representation learning by masked prediction of hidden units // IEEE/ACM Transactions on Audio, Speech, and Language Processing. 2021. Vol. 29. P. 3451–3460.
9. Tsilfidis A., Mporas I., Mourjopoulos J., Fakotakis N. Automatic speech recognition performance in different room acoustic environments with and without dereverberation preprocessing // Computer Speech & Language. 2013. Vol. 27. No. 1. P. 380–395.
10. Loweimi E., Ahadi S.M., Drugman T., Loveymi S. On the importance of pre-emphasis and window shape in phase-based speech recognition // Advances in Nonlinear Speech Processing: 6th International Conference, NOLISP 2013. 2013. P. 160–167.
11. Yin S., Liu C., Zhang Z., Lin Y., Wang D., Tejedor J., Zheng T.F., Li Y. Noisy training for deep neural networks in speech recognition // EURASIP Journal on Audio, Speech, and Music Processing. 2015. Vol. 2015. P. 1–14.
12. Kim C., Stern R.M. Power-normalized cepstral coefficients (PNCC) for robust speech recognition // IEEE/ACM Transactions on Audio, Speech, and Language Processing. 2016. Vol. 24. No. 7. P. 1315–1329.
13. Li J., Deng L., Gong Y., Haeb-Umbach R. An overview of noise-robust automatic speech recognition // IEEE/ACM Transactions on Audio, Speech, and Language Processing. 2014. Vol. 22. No. 4. P. 745–777.
14. Stern R.M., Morgan N. Hearing is believing: Biologically inspired methods for robust automatic speech recognition // IEEE Signal Processing Magazine. 2012. Vol. 29. No. 6. P. 34–43.
15. Radford A., Kim J.W., Xu T., Brockman G., McLeavey C., Sutskever I. Robust speech recognition via large-scale weak supervision // International Conference on Machine Learning. 2023. P. 28492–28518.
16. Bouchakour L., Debyeche M. Noise-robust speech recognition in mobile network based on convolution neural networks // International Journal of Speech Technology. 2022. Vol. 25. P. 1–9.
17. Duarte J., Colcher S. Noise-Robust Automatic Speech Recognition: A Case Study for Communication Interference // Journal on Interactive Systems. 2024. Vol. 15. P. 670–681.
18. Chen G., O’Shaughnessy D., Tolba H. A performance investigation of noisy voice recognition over IP telephony networks // Proc. Interspeech. 2005. P. 2681–2684.
19. Ali A., Renals S. Word error rate estimation for speech recognition: e-WER // Proc. of the 56th Annual Meeting of the Association for Computational Linguistics. 2018. Vol. 2. P. 20–24. https://doi.org/10.18653/v1/P18-2004
20. Ali A., Renals S. Word error rate estimation without ASR output: e-WER2 // arXiv preprint arXiv:2008.03403. 2020.
21. Chowdhury S.A., Ali A. Multilingual word error rate estimation: e-WER3 // ICASSP 2023–2023 IEEE International Conference on Acoustics, Speech and Signal Processing. 2023. P. 1–5.
22. Litman D., Hirschberg J., Swerts M. Predicting automatic speech recognition performance using prosodic cues // 1st Meeting of the North American Chapter of the Association for Computational Linguistics. 2000. P. 1–8.
23. Gallardo L.F., Möller S., Beerends J. Predicting automatic speech recognition performance over communication channels from instrumental speech quality and intelligibility scores // Proc. Interspeech 2017. 2017. P. 2939–2943.
24. Beerends J.G., Schmidhuber C., Berger J., Obermann M., Ullmann R., Pomy J., Kevhl M. Perceptual Objective Listening Quality Assessment (POLQA), the Third Generation ITU-T Standard for End-to-End Speech Quality Measurement. Part I: Temporal Alignment // AES: Journal of the Audio Engineering Society. 2013. Vol. 61. No. 6. P. 366–384.
25. Polevoi A., Kragin A., Loukachevitch N. Ground Truth-Free WER Prediction for ASR via Audio Quality and Model Confidence Features // International Conference on Speech and Computer. Cham: Springer Nature Switzerland, 2025. P. 29–44.
26. Mittag G., Naderi B., Chehadi A., Möller S. NISQA: A deep CNN–self-attention model for multidimensional speech quality prediction with crowdsourced datasets // Proc. Interspeech 2021. 2021. P. 1–5. https://doi.org/10.21437/Interspeech.2021-299
27. Kim C., Stern R. Robust signal-to-noise ratio estimation based on waveform amplitude distribution analysis // Proc. Interspeech 2008. 2008. P. 2598–2601. https://doi.org/10.21437/Interspeech.2008-644
28. Subakan C., Ravanelli M., Cornell S., Grondin F. REAL-M: Towards Speech Separation on Real Mixtures // arXiv preprint arXiv:2110.10812. 2021.
29. Radford A., Wu J., Child R., Luan D., Amodei D., Sutskever I. Language models are unsupervised multitask learners // OpenAI Blog. 2019.
30. Yang A. et al. Qwen2 technical report // arXiv preprint arXiv:2407.10671. 2024.
31. ai-sage GigaChat3-10B-A1.8B // Hugging Face. URL: https://huggingface.co/ai-sage/GigaChat3-10B-A1.8B
32. Yandex YandexGPT-5-Lite-8B-instruct // Hugging Face. URL: https://huggingface.co/yandex/YandexGPT-5-Lite-8B-instruct
33. RefalMachine RuadaptQwen3-8B-Hybrid // Hugging Face. URL: https://huggingface.co/RefalMachine/RuadaptQwen3-8B-Hybrid
34. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features // arXiv preprint. 2019.
https://doi.org/10.48550/arXiv.1706.09516
35. Conneau A. et al. FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech // arXiv preprint arXiv:2205.12446. 2022.
36. Panayotov V., Chen G., Povey D., Khudanpur S. Librispeech: An ASR corpus based on public domain audio books // ICASSP 2015 IEEE International Conference on Acoustics, Speech and Signal Processing. 2015. P. 5206–5210.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.