Konuşma tanıma sistemlerinin başarısında model mimarisi kadar önemli bir unsur da eğitim verisidir. Bir ses kaydı ile ona karşılık gelen doğru metin eşleştirilemediğinde, modelin hangi ses örüntüsünü hangi sözcükle ilişkilendireceğini öğrenmesi zorlaşır.
Hüseyin Polat ve Saadin Oyucu'nun 2020 tarihli Symmetry makalesi, Türkçe otomatik konuşma tanıma için kapsamlı bir konuşma ve metin derlemi toplama yaklaşımını anlatıyor.
Derlem (corpus) nedir?
Konuşma tanımada derlem, ses örnekleriyle bu örneklere karşılık gelen metinlerin düzenli bir araya getirildiği veri kümesidir. İyi bir derlem yalnızca uzun kayıtlar içermez. Farklı konuşmacıları, ses ortamlarını, sözcükleri ve ifade biçimlerini de temsil etmesi gerekir.
Araştırmada veri nasıl toplandı?
Makalede üç farklı kaynak yaklaşımı ele alınıyor: film konuşmaları ile altyazılar, mobil uygulama üzerinden toplanan konuşmalar ve Türkiye Büyük Millet Meclisi oturumlarına ait kayıt ve metinler. Daha sonra kayıt–metin eşleşmelerinin kullanıcı doğrulamasına tabi tutulması anlatılıyor.
Bu yöntemler, veri çeşitliliğinin artırılmasına yönelik araştırma uygulamalarıdır. Herhangi bir kuruluşun bu kaynakları otomatik olarak aynı izinlerle yeniden kullanabileceği anlamına gelmez. Ticari kullanım, kişisel veri, telif ve lisans konuları ayrı değerlendirilmelidir.
Veri miktarı mı, veri kalitesi mi?
Yalnızca çok sayıda saat toplamak yeterli değildir. Yanlış eşleşmiş konuşma–metin çiftleri modeli yanıltabilir. Tek bir ses ortamından toplanan temiz kayıtlar da gerçek hayat çeşitliliğini temsil etmeyebilir.
Araştırma, veri kümesinin büyüklüğü ile birlikte doğrulama ve çeşitliliğin de tanıma başarısı açısından önemli olduğunu gösteriyor. Makalede değerlendirilen hata oranları, çalışmanın dönemi ve veri koşullarına özgüdür; güncel sistemlerle doğrudan performans yarışı olarak sunulmamalıdır.
Bugünkü sistemlere ne öğretir?
- Hedef senaryonun ses kalitesi ve konuşmacı dağılımı anlaşılmalı.
- Kayıt ve metin eşleşmelerinin doğruluğu kontrol edilmeli.
- Eğitim ve test verileri birbirinden ayrılmalı.
- Değerlendirme sadece laboratuvar kayıtlarıyla sınırlandırılmamalı.
- Veri kullanım izinleri ve güvenlik süreçleri baştan ele alınmalı.
Bu ilkeler, çağrı merkezi, toplantı deşifresi, arşivleme ve diğer Türkçe ASR kullanım alanlarında önemini koruyor.
Kaynakça
- Building a Speech and Text Corpus of Turkish: Large Corpus Collection with Initial Speech Recognition ResultsHüseyin Polat; Saadin Oyucu · 2020DOI: 10.3390/sym12020290