ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਕੀ ਹੈ ਅਤੇ ਇਹ AI ਲਈ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ

ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ ਇਹ ਅਨੁਭਵ ਹੋਇਆ ਹੋਵੇਗਾ: ਇੱਕ ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਤੁਹਾਡੇ ਦੋਸਤ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝਦਾ ਹੈ, ਪਰ ਤੁਹਾਡੇ ਲਹਿਜ਼ੇ, ਜਾਂ ਤੁਹਾਡੇ ਮਾਪਿਆਂ ਦੇ ਬੋਲਣ ਦੇ ਤਰੀਕੇ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦਾ ਹੈ।

ਉਹੀ ਭਾਸ਼ਾ। ਉਹੀ ਬੇਨਤੀ। ਬਹੁਤ ਵੱਖਰੇ ਨਤੀਜੇ।

ਇਹੀ ਪਾੜਾ ਬਿਲਕੁਲ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਰਹਿੰਦਾ ਹੈ - ਅਤੇ ਇਹ ਅਚਾਨਕ AI ਲਈ ਇੰਨਾ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦਾ ਹੈ।

ਸਮਾਜ-ਵਿਗਿਆਨ ਇਸ ਗੱਲ ਨੂੰ ਦੇਖਦਾ ਹੈ ਕਿ ਸਮਾਜਿਕ ਕਾਰਕ ਅਤੇ ਬੋਲੀ ਦੀਆਂ ਆਵਾਜ਼ਾਂ ਕਿਵੇਂ ਆਪਸ ਵਿੱਚ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ । ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਬੋਲੀ ਤਕਨਾਲੋਜੀ ਨਾਲ ਜੋੜਦੇ ਹੋ, ਤਾਂ ਇਹ ਵਧੇਰੇ ਨਿਰਪੱਖ, ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ASR, TTS, ਅਤੇ ਵੌਇਸ ਸਹਾਇਕ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਲੈਂਸ ਬਣ ਜਾਂਦਾ ਹੈ ।

ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਦੀ ਵਿਆਖਿਆ ਕਰਾਂਗੇ, ਫਿਰ ਦਿਖਾਵਾਂਗੇ ਕਿ ਇਹ ਤੁਹਾਡੇ ਭਾਸ਼ਣ ਡੇਟਾ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ, ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਕਿਵੇਂ ਬਦਲ ਸਕਦਾ ਹੈ।

1. ਭਾਸ਼ਾ ਵਿਗਿਆਨ ਤੋਂ ਏਆਈ ਤੱਕ: ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਅਚਾਨਕ ਕਿਉਂ ਢੁਕਵਾਂ ਹੈ

ਦਹਾਕਿਆਂ ਤੋਂ, ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਜ਼ਿਆਦਾਤਰ ਇੱਕ ਅਕਾਦਮਿਕ ਵਿਸ਼ਾ ਸੀ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇਸਦੀ ਵਰਤੋਂ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਕੀਤੀ ਜਿਵੇਂ ਕਿ:

• ਵੱਖ-ਵੱਖ ਸਮਾਜਿਕ ਸਮੂਹ "ਇੱਕੋ" ਧੁਨੀਆਂ ਦਾ ਉਚਾਰਨ ਕਿਵੇਂ ਕਰਦੇ ਹਨ?
• ਸੁਣਨ ਵਾਲੇ ਉਚਾਰਨ ਵਿੱਚ ਛੋਟੇ-ਛੋਟੇ ਅੰਤਰਾਂ ਤੋਂ ਸਮਾਜਿਕ ਸੰਕੇਤਾਂ - ਉਮਰ, ਖੇਤਰ, ਪਛਾਣ - ਨੂੰ ਕਿਵੇਂ ਸਮਝਦੇ ਹਨ?

ਹੁਣ, AI ਨੇ ਉਨ੍ਹਾਂ ਸਵਾਲਾਂ ਨੂੰ ਉਤਪਾਦ ਮੀਟਿੰਗਾਂ ਵਿੱਚ ਲਿਆਂਦਾ ਹੈ।

ਆਧੁਨਿਕ ਭਾਸ਼ਣ ਪ੍ਰਣਾਲੀਆਂ ਦੇਸ਼ਾਂ, ਉਪਭਾਸ਼ਾਵਾਂ ਅਤੇ ਸਮਾਜਿਕ ਪਿਛੋਕੜਾਂ ਦੇ ਲੱਖਾਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਤਾਇਨਾਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਹਰ ਵਾਰ ਜਦੋਂ ਕੋਈ ਮਾਡਲ ਕਿਸੇ ਖਾਸ ਲਹਿਜ਼ੇ, ਉਮਰ ਸਮੂਹ, ਜਾਂ ਭਾਈਚਾਰੇ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਬੱਗ ਨਹੀਂ ਹੁੰਦਾ - ਇਹ ਲੋਕਾਂ ਦੇ ਬੋਲਣ ਦੇ ਤਰੀਕੇ ਅਤੇ ਮਾਡਲ ਉਨ੍ਹਾਂ ਤੋਂ ਕਿਵੇਂ ਉਮੀਦ ਕਰਦਾ ਹੈ, ਵਿਚਕਾਰ ਇੱਕ ਸਮਾਜਿਕ-ਧੁਨੀ ਸੰਬੰਧੀ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ।

ਇਸੇ ਲਈ ਟੀਮਾਂ ਕੰਮ ਕਰ ਰਹੀਆਂ ਹਨ ASR, TTS, ਅਤੇ ਵੌਇਸ UX ਪੁੱਛਣਾ ਸ਼ੁਰੂ ਕਰ ਰਹੇ ਹਨ:
"ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਾਂ ਕਿ ਸਾਡੀ ਸਿਖਲਾਈ ਅਤੇ ਮੁਲਾਂਕਣ ਅਸਲ ਵਿੱਚ ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਅਸੀਂ ਕਿਸਦੀ ਸੇਵਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ?"

2. ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਕੀ ਹੈ? (ਸਾਦਾ-ਭਾਸ਼ਾ ਪਰਿਭਾਸ਼ਾ)

ਰਸਮੀ ਤੌਰ 'ਤੇ, ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਭਾਸ਼ਾ ਵਿਗਿਆਨ ਦੀ ਉਹ ਸ਼ਾਖਾ ਹੈ ਜੋ ਸਮਾਜ-ਭਾਸ਼ਾ ਵਿਗਿਆਨ (ਸਮਾਜਿਕ ਸਮੂਹਾਂ ਵਿੱਚ ਭਾਸ਼ਾ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ) ਅਤੇ ਧੁਨੀ ਵਿਗਿਆਨ (ਬੋਲੀ ਦੀਆਂ ਆਵਾਜ਼ਾਂ ਦਾ ਅਧਿਐਨ) ਨੂੰ ਜੋੜਦੀ ਹੈ।

ਅਭਿਆਸ ਵਿੱਚ, ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ:

• ਉਮਰ, ਲਿੰਗ, ਖੇਤਰ, ਨਸਲ ਅਤੇ ਸਮਾਜਿਕ ਵਰਗ ਉਚਾਰਨ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ?
• ਸੁਣਨ ਵਾਲੇ ਸੂਖਮ ਧੁਨੀ ਅੰਤਰਾਂ ਦੀ ਵਰਤੋਂ ਇਹ ਪਛਾਣਨ ਲਈ ਕਿਵੇਂ ਕਰਦੇ ਹਨ ਕਿ ਕੋਈ ਕਿੱਥੋਂ ਦਾ ਹੈ, ਜਾਂ ਉਹ ਆਪਣੇ ਆਪ ਨੂੰ ਕਿਵੇਂ ਦੇਖਦੇ ਹਨ?
• ਸਮੇਂ ਦੇ ਨਾਲ ਇਹ ਪੈਟਰਨ ਕਿਵੇਂ ਬਦਲਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਭਾਈਚਾਰੇ ਅਤੇ ਪਛਾਣਾਂ ਬਦਲਦੀਆਂ ਹਨ?

ਤੁਸੀਂ ਇਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸੋਚ ਸਕਦੇ ਹੋ: ਜੇਕਰ ਧੁਨੀ ਵਿਗਿਆਨ ਉਹ ਕੈਮਰਾ ਹੈ ਜੋ ਬੋਲੀ ਦੀਆਂ ਆਵਾਜ਼ਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਉਹ ਦਸਤਾਵੇਜ਼ੀ ਹੈ ਜੋ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਅਸਲ ਲੋਕ ਪਛਾਣ, ਸੰਬੰਧ ਅਤੇ ਭਾਵਨਾਵਾਂ ਨੂੰ ਸੰਕੇਤ ਕਰਨ ਲਈ ਉਨ੍ਹਾਂ ਆਵਾਜ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਦੇ ਹਨ।

ਕੁਝ ਠੋਸ ਉਦਾਹਰਣਾਂ:

• ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ, ਕੁਝ ਬੁਲਾਰੇ "thing" ਦਾ ਉਚਾਰਨ ਮਜ਼ਬੂਤ ​​"g" ਨਾਲ ਕਰਦੇ ਹਨ, ਦੂਸਰੇ ਨਹੀਂ - ਅਤੇ ਉਹ ਚੋਣਾਂ ਖੇਤਰ ਜਾਂ ਸਮਾਜਿਕ ਸਮੂਹ ਨੂੰ ਦਰਸਾ ਸਕਦੀਆਂ ਹਨ।
• ਬਹੁਤ ਸਾਰੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ, ਲਹਿਜੇ ਅਤੇ ਤਾਲ ਦੇ ਪੈਟਰਨ ਖੇਤਰ ਜਾਂ ਭਾਈਚਾਰੇ ਅਨੁਸਾਰ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, ਭਾਵੇਂ ਸ਼ਬਦ "ਇੱਕੋ ਜਿਹੇ" ਹੋਣ।
• ਨੌਜਵਾਨ ਬੁਲਾਰੇ ਖਾਸ ਸੱਭਿਆਚਾਰਕ ਪਛਾਣਾਂ ਦੇ ਅਨੁਸਾਰ ਨਵੇਂ ਉਚਾਰਨ ਅਪਣਾ ਸਕਦੇ ਹਨ।

ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਇਹਨਾਂ ਪੈਟਰਨਾਂ ਦਾ ਵਿਸਥਾਰ ਨਾਲ ਅਧਿਐਨ ਕਰਦਾ ਹੈ - ਅਕਸਰ ਧੁਨੀ ਮਾਪਾਂ, ਧਾਰਨਾ ਟੈਸਟਾਂ, ਅਤੇ ਵੱਡੇ ਸੰਗ੍ਰਹਿ ਨਾਲ - ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਸਮਾਜਿਕ ਅਰਥਾਂ ਨੂੰ ਧੁਨੀ ਵਿੱਚ ਕਿਵੇਂ ਏਨਕੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ।

ਇੱਕ ਪਹੁੰਚਯੋਗ ਜਾਣ-ਪਛਾਣ ਲਈ, sociophonetics.com 'ਤੇ ਵਿਆਖਿਆ ਵੇਖੋ।

3. ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਭਾਸ਼ਣ ਭਿੰਨਤਾ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰਦਾ ਹੈ

ਸਮਾਜ-ਧੁਨੀ ਖੋਜ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਵਿਆਪਕ ਖੇਤਰਾਂ 'ਤੇ ਨਜ਼ਰ ਮਾਰਦੀ ਹੈ:

1. ਉਤਪਾਦਨ - ਲੋਕ ਅਸਲ ਵਿੱਚ ਆਵਾਜ਼ਾਂ ਕਿਵੇਂ ਪੈਦਾ ਕਰਦੇ ਹਨ।
2. ਧਾਰਨਾ - ਸਰੋਤੇ ਉਹਨਾਂ ਆਵਾਜ਼ਾਂ ਅਤੇ ਉਹਨਾਂ ਦੁਆਰਾ ਲੈ ਜਾਣ ਵਾਲੇ ਸਮਾਜਿਕ ਸੰਕੇਤਾਂ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਦੇ ਹਨ।

ਕੁਝ ਮੁੱਖ ਸਮੱਗਰੀਆਂ:

• ਖੰਡਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ: ਸਵਰ ਅਤੇ ਵਿਅੰਜਨ (ਉਦਾਹਰਣ ਵਜੋਂ, /r/ ਜਾਂ ਕੁਝ ਸਵਰ ਖੇਤਰ ਅਨੁਸਾਰ ਕਿਵੇਂ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ)।
• ਸੁਪਰਸੈਗਮੈਂਟਲ (ਪ੍ਰੋਸੋਡੀ): ਤਾਲ, ਤਣਾਅ, ਅਤੇ ਸੁਰ ਦੇ ਪੈਟਰਨ।
• ਆਵਾਜ਼ ਦੀ ਗੁਣਵੱਤਾ: ਸਾਹ ਲੈਣ ਦੀ ਸ਼ਕਤੀ, ਚੀਰ-ਫਾੜ, ਅਤੇ ਹੋਰ ਗੁਣ ਜੋ ਸਮਾਜਿਕ ਅਰਥ ਰੱਖ ਸਕਦੇ ਹਨ।

ਵਿਧੀਗਤ ਤੌਰ 'ਤੇ, ਸਮਾਜ-ਧੁਨੀ ਸੰਬੰਧੀ ਕੰਮ ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ:

• ਧੁਨੀ ਵਿਸ਼ਲੇਸ਼ਣ (ਫਾਰਮੈਂਟਸ, ਪਿੱਚ, ਸਮਾਂ ਮਾਪਣਾ)।
• ਧਾਰਨਾ ਪ੍ਰਯੋਗ (ਸਰੋਤੇ ਭਾਸ਼ਣ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਕਿਵੇਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦੇ ਹਨ ਜਾਂ ਨਿਰਣਾ ਕਰਦੇ ਹਨ)।
• ਸਮਾਜ-ਭਾਸ਼ਾਈ ਇੰਟਰਵਿਊ ਅਤੇ ਸੰਗ੍ਰਹਿ (ਅਸਲ ਗੱਲਬਾਤ ਦੇ ਵੱਡੇ ਡੇਟਾਸੈੱਟ, ਸਮਾਜਿਕ ਕਾਰਕਾਂ ਲਈ ਐਨੋਟੇਟ ਕੀਤੇ ਗਏ)।

ਵੱਡੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਪਰਿਵਰਤਨ "ਸ਼ੋਰ" ਨਹੀਂ ਹੈ - ਇਹ ਸੰਰਚਿਤ, ਅਰਥਪੂਰਨ, ਅਤੇ ਸਮਾਜਿਕ ਤੌਰ 'ਤੇ ਪੈਟਰਨ ਵਾਲਾ ਹੈ ।

ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ AI ਇਸਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਨਹੀਂ ਕਰ ਸਕਦਾ।

4. ਜਿੱਥੇ ਸਮਾਜ-ਵਿਗਿਆਨ AI ਅਤੇ ਸਪੀਚ ਤਕਨਾਲੋਜੀ ਨੂੰ ਮਿਲਦਾ ਹੈ

ਸਪੀਚ ਤਕਨਾਲੋਜੀਆਂ - ASR, TTS, ਵੌਇਸ ਬੋਟ - ਸਪੀਚ ਡੇਟਾ ਦੇ ਸਿਖਰ 'ਤੇ ਬਣੀਆਂ ਹਨ । ਜੇਕਰ ਉਹ ਡੇਟਾ ਸਮਾਜਿਕ-ਧੁਨੀ ਪਰਿਵਰਤਨ ਨੂੰ ਕੈਪਚਰ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਕੁਝ ਖਾਸ ਸਮੂਹਾਂ ਲਈ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਵਾਰ ਅਸਫਲ ਹੋ ਜਾਣਗੇ।

ਐਕਸੈਂਟਡ ASR 'ਤੇ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ:

• ਕੁਝ ਲਹਿਜ਼ਿਆਂ ਅਤੇ ਉਪਭਾਸ਼ਾਵਾਂ ਲਈ ਸ਼ਬਦਾਂ ਦੀ ਗਲਤੀ ਦਰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਵੱਧ ਹੋ ਸਕਦੀ ਹੈ।
• ਸੀਮਤ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਨਾਲ ਲਹਿਜ਼ੇ ਵਾਲੀ ਬੋਲੀ ਖਾਸ ਤੌਰ 'ਤੇ ਚੁਣੌਤੀਪੂਰਨ ਹੈ।
• ਉਪਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸਾਧਾਰਨੀਕਰਨ ਲਈ ਅਮੀਰ, ਵਿਭਿੰਨ ਡੇਟਾਸੈੱਟ ਅਤੇ ਧਿਆਨ ਨਾਲ ਮੁਲਾਂਕਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਸਮਾਜਿਕ ਧੁਨੀ ਦੇ ਲੈਂਜ਼ ਤੋਂ, ਆਮ ਅਸਫਲਤਾ ਮੋਡਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਲਹਿਜ਼ਾ ਪੱਖਪਾਤ: ਇਹ ਸਿਸਟਮ "ਮਿਆਰੀ" ਜਾਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਰਸਾਏ ਗਏ ਲਹਿਜ਼ੇ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ।
• ਸਥਾਨਕ ਰੂਪਾਂ ਦੀ ਘੱਟ ਪਛਾਣ: ਖੇਤਰੀ ਉਚਾਰਨ, ਸਵਰਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ, ਅਤੇ ਛੰਦ-ਰੂਪੀ ਪੈਟਰਨਾਂ ਨੂੰ ਗਲਤ ਪਛਾਣਿਆ ਜਾਂਦਾ ਹੈ।
• ਅਸਮਾਨ UX: ਕੁਝ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਸਿਸਟਮ "ਮੇਰੇ ਵਰਗੇ ਲੋਕਾਂ ਲਈ ਨਹੀਂ ਬਣਾਇਆ ਗਿਆ ਸੀ।"

ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਤੁਹਾਨੂੰ ਇਹਨਾਂ ਮੁੱਦਿਆਂ ਨੂੰ ਨਾਮ ਦੇਣ ਅਤੇ ਮਾਪਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ AI ਟੀਮਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਡੇਟਾ ਅਤੇ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਕੀ ਗੁੰਮ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਸ਼ਬਦਾਵਲੀ ਦਿੰਦਾ ਹੈ ।

5. ਸੋਸ਼ੀਓਫੋਨੇਟਿਕ ਲੈਂਸ ਨਾਲ ਸਪੀਚ ਡੇਟਾ ਡਿਜ਼ਾਈਨ ਕਰਨਾ

ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਪਹਿਲਾਂ ਹੀ ਭਾਸ਼ਾ ਕਵਰੇਜ ਬਾਰੇ ਸੋਚਦੀਆਂ ਹਨ ("ਅਸੀਂ ਅੰਗਰੇਜ਼ੀ, ਸਪੈਨਿਸ਼, ਹਿੰਦੀ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਾਂ...")। ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਤੁਹਾਨੂੰ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ:

5.1 ਆਪਣੇ ਸਮਾਜ-ਧੁਨੀ "ਬ੍ਰਹਿਮੰਡ" ਦਾ ਨਕਸ਼ਾ ਬਣਾਓ

ਸੂਚੀਬੱਧ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੋ:

• ਟੀਚਾ ਬਾਜ਼ਾਰ ਅਤੇ ਖੇਤਰ (ਉਦਾਹਰਣ ਵਜੋਂ, ਅਮਰੀਕਾ, ਯੂਕੇ, ਭਾਰਤ, ਨਾਈਜੀਰੀਆ)।
• ਕੁੰਜੀ ਹਰੇਕ ਭਾਸ਼ਾ ਦੇ ਅੰਦਰ ਕਿਸਮਾਂ (ਖੇਤਰੀ ਉਪਭਾਸ਼ਾਵਾਂ, ਨਸਲੀ-ਭਾਸ਼ਾਵਾਂ, ਸਮਾਜਿਕ-ਭਾਸ਼ਾਵਾਂ)।
• ਉਪਭੋਗਤਾ ਹਿੱਸੇ ਜੋ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ: ਉਮਰ ਸੀਮਾਵਾਂ, ਲਿੰਗ ਵਿਭਿੰਨਤਾ, ਪੇਂਡੂ/ਸ਼ਹਿਰੀ, ਪੇਸ਼ੇਵਰ ਖੇਤਰ।

ਇਹ ਤੁਹਾਡਾ ਸਮਾਜ-ਧੁਨੀ ਬ੍ਰਹਿਮੰਡ ਹੈ - ਆਵਾਜ਼ਾਂ ਦਾ ਉਹ ਸਥਾਨ ਜਿਸਦੀ ਸੇਵਾ ਤੁਸੀਂ ਆਪਣੇ ਸਿਸਟਮ ਤੋਂ ਕਰਵਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।

5.2 ਉਸ ਬ੍ਰਹਿਮੰਡ ਨੂੰ ਦਰਸਾਉਂਦੀ ਬੋਲੀ ਇਕੱਠੀ ਕਰੋ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੀ ਨਿਸ਼ਾਨਾ ਥਾਂ ਨੂੰ ਜਾਣ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸਦੇ ਆਲੇ-ਦੁਆਲੇ ਡੇਟਾ ਸੰਗ੍ਰਹਿ ਡਿਜ਼ਾਈਨ ਕਰ ਸਕਦੇ ਹੋ:

• ਸਾਰੇ ਦੇਸ਼ਾਂ ਵਿੱਚ ਬੁਲਾਰਿਆਂ ਦੀ ਭਰਤੀ ਕਰੋ ਖੇਤਰ, ਉਮਰ ਸਮੂਹ, ਲਿੰਗ ਅਤੇ ਭਾਈਚਾਰੇ.
• ਕਈ ਚੈਨਲਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰੋ (ਮੋਬਾਈਲ, ਦੂਰ-ਖੇਤਰ ਦੇ ਮਾਈਕ੍ਰੋਫ਼ੋਨ, ਟੈਲੀਫ਼ੋਨੀ)।
• ਦੋਵੇਂ ਸ਼ਾਮਲ ਕਰੋ ਨੂੰ ਪੜ੍ਹਨ ਭਾਸ਼ਣ ਅਤੇ ਕੁਦਰਤੀ ਗਤੀ, ਤਾਲ ਅਤੇ ਸ਼ੈਲੀ ਵਿੱਚ ਅਸਲ-ਸੰਸਾਰ ਭਿੰਨਤਾ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਣ ਲਈ ਗੱਲਬਾਤ।

ਸ਼ਾਈਪ ਦੇ ਸਪੀਚ ਅਤੇ ਆਡੀਓ ਡੇਟਾਸੈੱਟ ਅਤੇ ਸਪੀਚ ਡੇਟਾ ਕਲੈਕਸ਼ਨ ਸੇਵਾਵਾਂ ਬਿਲਕੁਲ ਇਸੇ ਤਰ੍ਹਾਂ ਕਰਨ ਲਈ ਬਣਾਈਆਂ ਗਈਆਂ ਹਨ — 150+ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਉਪਭਾਸ਼ਾਵਾਂ, ਸੁਰਾਂ ਅਤੇ ਲਹਿਜ਼ਿਆਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੇ ਹੋਏ।

5.3 ਸਿਰਫ਼ ਸ਼ਬਦਾਂ ਦੀ ਬਜਾਏ, ਸਮਾਜ-ਧੁਨੀ ਸੰਬੰਧੀ ਮੈਟਾਡੇਟਾ ਨੂੰ ਐਨੋਟੇਟ ਕਰੋ

ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਆਪਣੇ ਆਪ ਵਿੱਚ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦੀ ਕਿ ਕੌਣ ਬੋਲ ਰਿਹਾ ਹੈ ਜਾਂ ਉਸਦੀ ਆਵਾਜ਼ ਕਿਵੇਂ ਹੈ।

ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਮਾਜ-ਧੁਨੀ-ਜਾਗਰੂਕ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਇਹ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ:

• ਸਪੀਕਰ-ਪੱਧਰ ਦਾ ਮੈਟਾਡੇਟਾ: ਖੇਤਰ, ਸਵੈ-ਵਰਣਿਤ ਲਹਿਜ਼ਾ, ਪ੍ਰਮੁੱਖ ਭਾਸ਼ਾ, ਉਮਰ ਵਰਗ।
• ਵਾਕ-ਪੱਧਰ ਦੇ ਲੇਬਲ: ਬੋਲਣ ਦੀ ਸ਼ੈਲੀ (ਆਮ ਬਨਾਮ ਰਸਮੀ), ਚੈਨਲ, ਪਿਛੋਕੜ ਦਾ ਸ਼ੋਰ।
• ਵਿਸ਼ੇਸ਼ ਕੰਮਾਂ ਲਈ, ਤੰਗ pਹੋਨੇਟਿਕ ਲੇਬਲ ਜਾਂ ਪ੍ਰੋਸੋਡਿਕ ਐਨੋਟੇਸ਼ਨ.

ਇਹ ਮੈਟਾਡੇਟਾ ਤੁਹਾਨੂੰ ਬਾਅਦ ਵਿੱਚ ਸਮਾਜਿਕ ਅਤੇ ਧੁਨੀਆਤਮਕ ਟੁਕੜਿਆਂ ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦਿੰਦਾ ਹੈ , ਨਾ ਕਿ ਸਿਰਫ਼ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ।

6. ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਅਤੇ ਮਾਡਲ ਮੁਲਾਂਕਣ: ਇੱਕ ਸਿੰਗਲ WER ਤੋਂ ਪਰੇ

ਜ਼ਿਆਦਾਤਰ ਟੀਮਾਂ ਪ੍ਰਤੀ ਭਾਸ਼ਾ ਇੱਕ ਸਿੰਗਲ WER (ਸ਼ਬਦ ਗਲਤੀ ਦਰ) ਜਾਂ MOS (ਔਸਤ ਰਾਏ ਸਕੋਰ) ਦੀ ਰਿਪੋਰਟ ਕਰਦੀਆਂ ਹਨ। ਸਮਾਜ-ਧੁਨੀ ਵਿਗਿਆਨ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ।

ਤੁਹਾਨੂੰ ਪੁੱਛਣ ਦੀ ਲੋੜ ਹੈ:

• WER ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ ਲਹਿਜ਼ੇ ਦੁਆਰਾ?
• ਕੀ ਕੁਝ ਉਮਰ ਸਮੂਹ ਜਾਂ ਖੇਤਰ ਲਗਾਤਾਰ ਮਾੜੇ ਹਾਲਾਤ ਵਿੱਚ ਹਨ?
• ਕੀ TTS ਕੁਝ ਆਵਾਜ਼ਾਂ ਲਈ ਦੂਜਿਆਂ ਨਾਲੋਂ "ਵਧੇਰੇ ਕੁਦਰਤੀ" ਲੱਗਦਾ ਹੈ?

ਇੱਕ ਐਕਸੈਂਟਡ ਏਐਸਆਰ ਸਰਵੇਖਣ ਇਸ ਗੱਲ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਕਿ ਉਪਭਾਸ਼ਾਵਾਂ ਅਤੇ ਐਕਸੈਂਟਾਂ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਕਿਵੇਂ ਵੱਖਰਾ ਹੋ ਸਕਦਾ ਹੈ - ਭਾਵੇਂ ਇੱਕ ਭਾਸ਼ਾ ਦੇ ਅੰਦਰ ਵੀ।

ਇੱਕ ਸਧਾਰਨ ਪਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਬਦੀਲੀ ਇਹ ਹੈ:

• ਬਣਾਓ ਲਹਿਜ਼ੇ, ਖੇਤਰ, ਅਤੇ ਮੁੱਖ ਜਨਸੰਖਿਆ ਦੁਆਰਾ ਪੱਧਰੀ ਟੈਸਟ ਸੈੱਟ.
• ਮੈਟ੍ਰਿਕਸ ਦੀ ਰਿਪੋਰਟ ਕਰੋ ਪ੍ਰਤੀ ਲਹਿਜ਼ਾ ਅਤੇ ਪ੍ਰਤੀ ਸਮਾਜ-ਧੁਨੀ ਸਮੂਹ.
• ਵੱਡੀਆਂ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਉਤਸੁਕਤਾਵਾਂ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਪਹਿਲੇ ਦਰਜੇ ਦੇ ਉਤਪਾਦ ਬੱਗ ਸਮਝੋ।

ਅਚਾਨਕ, ਸਮਾਜ-ਵਿਗਿਆਨ ਸਿਰਫ਼ ਸਿਧਾਂਤ ਨਹੀਂ ਹੈ - ਇਹ ਤੁਹਾਡੇ ਡੈਸ਼ਬੋਰਡਾਂ ਵਿੱਚ ਹੈ।

ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਡੇਟਾ ਦੀ ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣ ਲਈ, ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਲਈ ਸਿਖਲਾਈ ਡੇਟਾ ਬਾਰੇ ਸ਼ਾਈਪ ਦੀ ਗਾਈਡ ਇਸ ਗੱਲ 'ਤੇ ਚਰਚਾ ਕਰਦੀ ਹੈ ਕਿ ਡੇਟਾਸੈੱਟ ਅਤੇ ਮੁਲਾਂਕਣ ਸਪਲਿਟਸ ਨੂੰ ਕਿਵੇਂ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਹੈ ਜੋ ਅਸਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

7. ਕੇਸ ਸਟੱਡੀ: ਬਿਹਤਰ ਡੇਟਾ ਨਾਲ ਐਕਸੈਂਟ ਬਿਆਸ ਨੂੰ ਠੀਕ ਕਰਨਾ

ਇੱਕ ਫਿਨਟੈਕ ਕੰਪਨੀ ਨੇ ਇੱਕ ਅੰਗਰੇਜ਼ੀ-ਭਾਸ਼ਾ ਵਾਲਾ ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਲਾਂਚ ਕੀਤਾ ਹੈ। ਯੂਜ਼ਰ ਟੈਸਟਾਂ ਵਿੱਚ, ਸਭ ਕੁਝ ਠੀਕ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਲਾਂਚ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਸਹਾਇਤਾ ਟਿਕਟਾਂ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਹੈ। ਜਦੋਂ ਟੀਮ ਖੋਜ ਕਰਦੀ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ:

• ਇੱਕ ਖਾਸ ਖੇਤਰੀ ਲਹਿਜ਼ੇ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਗਲਤੀ ਦਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦਿਖਾਈ ਦੇ ਰਹੀ ਹੈ।
• ASR ਆਪਣੇ ਸਵਰ ਪ੍ਰਣਾਲੀ ਅਤੇ ਤਾਲ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ, ਜਿਸ ਕਾਰਨ ਖਾਤਾ ਨੰਬਰ ਅਤੇ ਹੁਕਮ ਗਲਤ ਪਛਾਣੇ ਜਾਂਦੇ ਹਨ।
• ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਉਸ ਖੇਤਰ ਦੇ ਬਹੁਤ ਘੱਟ ਬੁਲਾਰੇ ਸ਼ਾਮਲ ਹਨ।

ਸਮਾਜ-ਧੁਨੀ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਇਹ ਬਿਲਕੁਲ ਵੀ ਹੈਰਾਨੀ ਵਾਲੀ ਗੱਲ ਨਹੀਂ ਹੈ: ਮਾਡਲ ਨੂੰ ਅਸਲ ਵਿੱਚ ਕਦੇ ਵੀ ਉਹ ਲਹਿਜ਼ਾ ਸਿੱਖਣ ਲਈ ਨਹੀਂ ਕਿਹਾ ਗਿਆ ਸੀ।

ਟੀਮ ਇਸਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕਰਦੀ ਹੈ ਇਹ ਇੱਥੇ ਹੈ: