Magyar beszédfelismerés telefonvonalon: mit mértünk

Mielőtt telefonvonalat terveztünk, megmértük, érti-e a beszédfelismerőnk a magyart egy nyolc kilohertzes vonalon. A kérdés egyszerű volt: ha a hiba egy bizonyos szint alatt marad, az ügyfél szabadon beszélhet. Ha fölötte, marad a nyomógombos menü.

Az eredmény: 14,5% szóhiba háromszáz mondaton, valódi telefonos hangúton átengedve. Tiszta hangon 12,7%. A telefonvonal tehát alig ront, jóval kevesebbet, mint amire számítottunk.

Két dolog, amit ugyanilyen fontos kimondani. Ez olvasott beszéd, nem spontán. Aki hezitál, újrakezdi a mondatot, vagy egy szoftver nevét mondja, rosszabb eredményt hoz. A 14,5% tehát alsó határ. És ez még nem valódi szolgáltatói vonal, hanem szimulált hangút.

A beszédszintézisnél ellenkező meglepetés ért. A hosszú magyar szavak a legjobb terület, a magyar mondatba ékelt angol szavak a legrosszabb. Ezért nem nagyobb modell kell, hanem egy szövegátíró, ami az angol kifejezéseket kimondható alakra hozza. Ezt bevezettük, és mérhetően javított.

A tanulság: mérés nélkül nem ígérünk. Ha egy állításhoz nincs mérés, az állítás kimarad.