Negli ultimi anni, il riconoscimento vocale automatico (ASR) ha compiuto enormi progressi, raggiungendo livelli di accuratezza che in alcuni casi si avvicinano alle prestazioni umane. Un nuovo studio condotto da Eleanor Chodroff dell’Università di Zurigo e da Chloe Patman dell’Università di Cambridge ha messo a confronto due dei più avanzati sistemi di ASR, Meta’s wav2vec 2.0 e OpenAI’s Whisper, con ascoltatori madrelingua inglese.
Il contesto dello studio
Prima del 2020, si riteneva che le capacità umane di riconoscimento vocale superassero di gran lunga quelle dei sistemi automatici. Tuttavia, i recenti sviluppi nei modelli basati su reti neurali hanno iniziato a colmare questo divario. L’obiettivo primario nello sviluppo di sistemi ASR è stato sempre quello di ridurre il tasso di errore, indipendentemente dalle condizioni ambientali.
Questo studio si è concentrato sulla capacità dei sistemi di riconoscere discorsi prodotti in ambienti rumorosi, come il rumore statico simile al parlato (speech-shaped noise) o il rumore di fondo di un pub. Sono stati inoltre testati gli effetti della mascherina in cotone sulla comprensibilità del parlato, un elemento rilevante nel contesto post-pandemia.
I risultati dello studio ASR
Prestazioni nei contesti rumorosi
Entrambi i sistemi, wav2vec 2.0 di Meta e Whisper di OpenAI, hanno dimostrato notevoli capacità di riconoscimento in ambienti rumorosi. Tuttavia, i sistemi hanno risentito delle condizioni estreme, come rumori intensi da pub, in cui anche gli ascoltatori umani hanno incontrato difficoltà.
Influenza della mascherina
L’uso di mascherine in cotone ha avuto un impatto marginale sul riconoscimento vocale per i sistemi ASR, che hanno continuato a funzionare in modo comparabile alle prestazioni umane. Questo dimostra la robustezza delle moderne tecnologie di riconoscimento vocale anche in condizioni che alterano leggermente il timbro vocale.
Le implicazioni del riconoscimento vocale automatico
Questo studio evidenzia come i sistemi ASR si stiano avvicinando alla capacità umana, non solo in ambienti controllati, ma anche in situazioni complesse. Tuttavia, rimangono sfide significative in condizioni particolarmente rumorose o in presenza di accenti e varianti linguistiche non standardizzate.
Lo sviluppo di modelli più adattabili potrebbe aprire la strada a un utilizzo più ampio di queste tecnologie in ambiti come l’assistenza sanitaria, l’istruzione e i dispositivi per l’accessibilità.
Il confronto tra Meta’s wav2vec 2.0, OpenAI’s Whisper e ascoltatori umani ha dimostrato i progressi straordinari compiuti dalla tecnologia ASR. Pur non essendo ancora perfetti, i sistemi attuali stanno trasformando il modo in cui interagiamo con la tecnologia, rendendo il riconoscimento vocale automatico più preciso e accessibile anche in ambienti difficili.
