TECNOLOGIA

Il sistema di trascrizione alla base delle applicazioni fornite da PerVoice si chiama AUDIOMA ed è il risultato dell'industrializzazione della tecnologia “Transcribe” di FBK/RST* che PerVoice utilizza in esclusiva nei settori di attività della società.

La tecnologia “Transcribe” effettua la trascrizione automatica di segnali audio in differenti fasi: in primo luogo il segnale audio è diviso in regioni acusticamente omogenee e le porzioni del segnale che contengono il discorso sono identificate e raggruppate in base alla loro somiglianza acustica. Quindi, i segmenti del discorso sono trascritti con due o più passaggi di riconoscimento, alternati a normalizzazione acustica e adattamento dei modelli acustici.

In questo modo è possibile trascrivere un segnale dal contenuto sconosciuto, comprese porzioni di non-parlato, e produrre una trascrizione delle porzioni di parlato, assieme ad una classificazione delle porzioni di segnale suddivisi in categorie quali: voce maschile/femminile, parlato in banda larga/stretta, parlato con sottofondo silenzioso/rumoroso, ecc.

Oltre al testo può essere generata una sequenza di meta-dati corrispondenti all’identificazione del parlatore, al suo genere, all’individuazione di “named entity” (nomi di società, indirizzi), alla punteggiatura. Queste informazioni possono essere utilizzate per vari scopi, quali l’indicizzazione automatica, la trascrizione di convegni o assemblee, i riassunti automatici, la traduzione automatica del parlato.

Il riconoscitore del parlato utilizza modelli di Markov nascosti di fonemi dipendenti dal contesto, un modello del linguaggio (ML) a n-grammi a vocabolario virtualmente illimitato, un algoritmo di decodifica basato sull'algoritmo di Viterbi e l’adattamento dei modelli acustici tramite regressione lineare a massima verosimiglianza (MLLR). I segmenti di parlato sono trascritti tramite due passi di decodifica, alternati ad un adattamento ai modelli acustici basato su segmentazione. Le parole ottenute dalla trascrizione del primo passo di decodifica sono utilizzate come supervisione per l’adattamento dei modelli acustici. Il sistema è in grado di distribuire efficacemente l'elaborazione su più CPU.

Il front-end acustico estrae features acustiche basate su caratteristiche spettrali a breve termine, ad un passo di 10ms, utilizzando una finestra scorrevole di 20ms, ed aggiunge le derivate temporali. Queste features, a seconda del dominio e del tipo di elaborazione, vengono utilizzate direttamente o sottoposte ad ulteriori trasformazioni.

Le prestazioni di riconoscimento di un sistema di trascrizione sono solitamente espresse in termini della media degli errori e si usa il termine inglese word error rate (wer), cioè tasso di errore di riconoscimento delle parole. Le prestazioni di trascrizione variano moltissimo in base al tipo di dati. Per l’inglese americano, il tasso di errore medio per parola su parlato di un annunciatore radiofonico è di circa l’8% in uno dei benchmark di DARPA. Le prestazioni diminuiscono per le parti di parlato spontaneo, con il degradarsi delle condizioni acustiche o sul parlato di parlatori non nativi.

La tecnologia descritta consente al sistema AUDIOMA prestazioni eccellenti e caratteristiche tecniche di tutto rilievo quali:

indipendenza dal parlatore
gestione parlato spontaneo
ampio modello di linguaggio
adattamento all’ambiente acustico
riconoscimento del parlato microfonico, radiotelevisivo e telefonico.

(*) Fondazione "Bruno Kessler" di Trento, sezione Ricerca Scientifica e Tecnologica, già ITC/IRST.

PARTNER TECNOLOGICI

PerVoice opera insieme a Centri di Ricerca e società innovative leader nel settore del riconoscimento vocale e del linguaggio naturale.

I sistemi di trascrizione risiedono presso il più importante provider del Trentino:

TECNOLOGIA

PARTNER TECNOLOGICI

PerVoice spa