Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
비영어권 임상 환경의 다중 스크립트 변이성 문제를 해결하기 위한 새로운 ASR 벤치마크인 MultiClin을 소개합니다. 기존 문자열 매칭 방식의 한계를 극복하고, 스크립트 일관성이 ASR 모델의 성능과 수렴에 미치는 영향을 분석했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기비영어권 임상 환경에서의 자동 음성 인식 (ASR)은 동일한 용어가 여러 가지 유효한 철자 형태로 나타날 수 있는 다중 스크립트 변이성 (multiscript variability)으로 인해 어려움을 겪습니다. 전통적인 문자열 매칭 (string-matching) 평가 지표는 철자 변이들을 오류로 취급함으로써 ASR 성능을 과소평가하는 경우가 많습니다. 이 문제를 해결하기 위해, 우리는 다중 스크립트 변이성에 대한 강건성 (robustness)을 평가하도록 설계된 임상 ASR 벤치마크인 MultiClin을 소개합니다. 다양한 ASR 모델을 대상으로 한 실험 결과, 다중 스크립트를 인지하는 평가가 기존의 단일 참조 (single-reference) 평가보다 인식 품질에 대해 더 공정한 평가를 제공함을 보여줍니다. 우리는 더 나아가 학습 과정 중 스크립트 일관성 (script consistency)의 영향을 조사하였으며, 일관되지 않은 스크립트 매핑이 철자 불확실성 (orthographic uncertainty)을 증가시키고 모델 수렴 (model convergence)을 방해하며, 50%의 균형 잡힌 매핑 비율에서 가장 높은 엔트로피 (entropy)를 생성한다는 것을 발견했습니다. 반면, 스크립트 통합 (script unification)은 일관되게 가장 우수한 ASR 성능을 나타냅니다. 우리의 데이터셋과 코드는 다음에서 공개적으로 사용할 수 있습니다: https://github.com/aitrics-ronaldo/Interspeech_MultiClin.