Documentos de traballo · fala, saúde e IA fiableVigo, 2026

Investigación / Recoñecemento de voz robusto e busca na fala / [15]

ALBAYZIN 2018: que tal atopan os sistemas termos falados en audio en español?

ALBAYZIN 2018 spoken term detection evaluation: a multi-domain international evaluation in Spanish. EURASIP Journal on Audio, Speech, and Music Processing, 2019.

Nunha frase

Unha avaliación internacional aberta da detección de termos falados en español sobre tres dominios de fala. Tres grupos de investigación presentaron 11 sistemas, e o rendemento resultou moi sensible aos cambios no dominio dos datos.

3dominios de fala
3grupos de investigación
11sistemas presentados

A tarefa

A detección de termos falados parte dun termo de busca escrito como texto, unha palabra ou varias, e atopa onde se di nunha colección de gravacións. Un sistema devolve os ficheiros que conteñen o termo, o tempo de inicio e de fin de cada aparición e unha puntuación da súa confianza na detección.

A avaliación

ALBAYZIN 2018 foi unha avaliación internacional aberta desta tarefa en español. Empregou tres bases de datos de dominios distintos: MAVIR, un conxunto de charlas de xornadas; RTVE, programas informativos de televisión; e COREMAH, conversas espontáneas entre dúas persoas.

Participaron tres grupos de investigación, que presentaron 11 sistemas. O artigo describe a avaliación, as bases de datos, a métrica e os sistemas, e presenta os resultados xunto cunha fusión dos sistemas primarios.

Que mostran as análises

Os resultados desglósanse segundo as propiedades dos termos de busca: se están dentro ou fóra do vocabulario do sistema, se son dunha palabra ou de varias, e se son nativos ou estranxeiros. A conclusión xeral é que a tarefa está lonxe de estar resolta e que o rendemento é moi sensible a un cambio de dominio dos datos.

Por que importa

Unha avaliación compartida con condicións públicas é o que permite comparar sistemas distintos en igualdade de condicións, e aquí mostra canto perde noutro tipo de fala un sistema axustado para un.

Citar

Tejedor J., Toledano D.T., Lopez-Otero P., Docío-Fernández L., Montalvo A.R., Ramírez J.M., Peñagarikano M., Rodríguez-Fuentes L.J. ALBAYZIN 2018 spoken term detection evaluation: a multi-domain international evaluation in Spanish. EURASIP Journal on Audio, Speech, and Music Processing, 2019.

PDF distribuído baixo licenza CC BY 4.0; copia da versión publicada.