WildElder: A Chinese Elderly Speech Dataset from the Wild with Fine-Grained Manual Annotations
यह शोध पत्र WildElder को प्रस्तुत करता है, जो ऑनलाइन वीडियो से एकत्र किया गया एक मंदारिन वृद्ध भाषण डेटासेट है जिसमें सूक्ष्म मैनुअल एनोटेशन दिए गए हैं, जिसे मौजूदा नियंत्रित-वातावरण डेटासेट्स की सीमाओं को दूर करने और स्वचालित भाषण पहचान (ASR) एवं वक्ता प्रोफाइलिंग अनुसंधान के लिए एक सुदृढ़ बेंचमार्क के रूप में कार्य करने के लिए डिज़ाइन किया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को मानवीय भाषण समझना सिखाने की कोशिश कर रहे हैं। आमतौर पर, हम इन रोबोटों को एक शांत, आदर्श स्टूडियो में प्रशिक्षित करते हैं जहाँ लोग स्पष्ट रूप से, धीरे और बिना किसी पृष्ठभूमि के शोर के बोलते हैं। यह एक छात्र को एक शांत पुस्तकालय में पाठ्यपुस्तक का उपयोग करके पढ़ने की शिक्षा देने जैसा है। लेकिन वास्तविक जीवन कोई पुस्तकालय नहीं है; यह एक हलचल भरा बाजार है। लोग एक-दूसरे के ऊपर बोलते हैं, वे बुदबुदाते हैं, वे गहरे क्षेत्रीय लहजों में बोलते हैं, और कभी-कभी वे बस थके हुए या लड़खड़ाते हुए सुनाई देते हैं। यह "इन-द-वाइल्ड" (वास्तविक दुनिया के) भाषण की दुनिया है। हालाँकि हमने ऐसे अद्भुत रोबोट बनाए हैं जो उस पाठ्यपुस्तक को पूरी तरह से पढ़ सकते हैं, वे अक्सर वास्तविक दुनिया में वास्तविक लोगों को सुनने की कोशिश करते समय पूरी तरह से भ्रमित हो जाते हैं। यह विशेष रूप से वृद्ध वयस्कों के लिए सच है, जिनकी आवाज़ें कांप सकती हैं, धीमी हो सकती हैं, या उनके गृहनगर का अनूठा संगीतमय स्वाद ले सकती हैं। यदि हम चाहते हैं कि रोबोट उनके दैनिक जीवन में बुजुर्गों की मदद करें—जैसे कि वॉयस असिस्टेंट के रूप में उत्तर देना या उनके स्वास्थ्य की निगरानी करना—तो हमें उन्हें इन वास्तविक, अव्यवस्थित और अद्भुत आवाजों को सुनना सिखाने की आवश्यकता है, न कि केवल पाठ्यपुस्तक वाली आदर्श आवाजों को।
यह बिल्कुल वही समस्या है जिसे चीन के नानकाई विश्वविद्यालय के शोधकर्ताओं की एक टीम ने हल करने का निर्णय लिया। उन्होंने महसूस किया कि हालांकि बुजुर्गों के भाषण के कुछ संग्रह थे, वे ज्यादातर नियंत्रित प्रयोगशालाओं में रिकॉर्ड किए गए थे, जिससे वे वास्तविक दुनिया के रोबोटों के लिए वास्तव में उपयोगी होने के लिए बहुत अधिक साफ और अनुमानित थे। इसे ठीक करने के लिए, वे एक नई चीज़ बनाने के लिए डिजिटल खोजबीन पर निकले जिसे WildElder कहा गया। लोगों से स्टूडियो में बैठने के लिए कहने के बजाय, उन्होंने प्राकृतिक, अनस्क्रिप्टेड बातचीत खोजने के लिए ऑनलाइन वीडियो को खंगाला जो वृद्ध वयस्स्कों के थे। उन्हें 619 वीडियो मिले, जो 71 घंटों से अधिक की कच्ची फुटेज के बराबर थे। लेकिन कच्ची फुटेज पहेली के टुकड़ों के एक विशाल, बिना छांटे ढेर की तरह है; यह अराजक है। इसलिए, टीम ने इन वीडियो को छोटे, प्रबंधनीय क्लिप्स में काटने, बिल्कुल वही लिखने जो कहा गया था, और प्रत्येक क्लिप को वक्ता की आयु, लिंग और उनका लहजा कितना मजबूत था जैसे विवरणों के साथ टैग करने में बहुत अधिक समय बिताया। उन्होंने लहजों को ग्रेड करने के लिए एक विशेष "नियम पुस्तिका" भी बनाई, जो "हल्के" (लगभग मानक) से लेकर "भारी" (जहाँ आपको वक्ता को समझने के लिए वास्तव में ध्यान देने की आवश्यकता होती है) तक फैली हुई थी।
परिणामस्वरूप 23,701 स्पीच क्लिप्स का एक डेटासेट प्राप्त हुआ, जो कुल 33.7 घंटे है, जिसमें पारिवारिक कहानियों से लेकर विज्ञान और इतिहास तक सब कुछ शामिल है। शोधकर्ताओं ने केवल डेटा एकत्र नहीं किया; उन्होंने इसे परखने के लिए भी आजमाया। उन्होंने इस नए डेटासेट का उपयोग करके कई अलग-अलग प्रकार के स्पीच-रिकग्निशन रोबोटों को सिखाने की कोशिश की। परिणाम एक वास्तविकता की जाँच की तरह थे: यहाँ तक कि सर्वश्रेष्ठ रोबोटों के साथ भी, वाइल्डएल्डर (WildElder) में बुजुर्गों के भाषण को समझना अभी भी बहुत कठिन है। रोबोटों ने बहुत गलतियाँ कीं, विशेष रूप से पुरुषों के साथ और 85 वर्ष से अधिक उम्र के वक्ताओं के साथ। हालाँकि, अध्ययन ने एक स्पष्ट मार्ग भी दिखाया। जब शोधकर्ताओं ने उन रोबलों को लिया जिन्हें पहले सामान्य भाषण की भारी मात्रा पर प्रशिक्षित किया गया था और फिर उन्हें विशेष रूप से WildElder पर थोड़ा अतिरिक्त प्रशिक्षण दिया, तो रोबोट काफी बेहतर हो गए। यह एक ऐसे छात्र को लेने जैसा है जो पहले से ही पढ़ना जानता है और उसे "वृद्ध वयस्क बोलियों" का क्रैश कोर्स दिया जाता है—अचानक, वे बातचीत को बहुत बेहतर ढंग से समझ सकते हैं।
टीम ने पाया कि रोबोट सबसे अधिक "भारी" लहजों और बहुत वृद्धों (90+) की आवाजों के साथ संघर्ष करते हैं, जहाँ त्रुटियां काफी बढ़ जाती हैं। उन्होंने यह भी देखा कि रोबोटों ने इस आयु वर्ग में पुरुष वक्ताओं की तुलना में महिला वक्ताओं को बेहतर ढंग से समझा। हालाँकि रोबोट अभी भी पूर्ण नहीं हैं, WildElder डेटासेट यह सिद्ध करता है कि सही प्रकार के अव्यवस्थित, वास्तविक दुनिया के डेटा के साथ, हम वास्तव में ऐसी तकनीक बनाना शुरू कर सकते हैं जो बढ़ती आबादी के लिए काम करती है। यह कोई जादुई समाधान नहीं है जो रातोंरात सब कुछ ठीक कर देता है, लेकिन यह एक ठोस, चुनौतीपूर्ण बेंचमार्क प्रदान करता है जो हमें ठीक से दिखाता है कि रोबोट कहाँ विफल हो रहे हैं और हम उन्हें दुनिया को वास्तव में जैसा है वैसा सुनने में कैसे मदद कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।