في عالم تقنيات الذكاء الاصطناعي، تُعتبر تقنية تحويل النص إلى كلام (Text-to-Speech - TTS) أحد الابتكارات الأكثر إثارة للاهتمام. وقد أظهرت دراسة حديثة أن تقييم هذه التقنية يمكن أن يكون مضللًا إذا لم يتم مراعاة توافق عائلات التعرف على الصوت (Automatic Speech Recognition - ASR).

تعمل تقنيات BoN على تحسين تناسق المحتوى في تحويل النص إلى كلام من خلال اختيار أفضل النتائج من بين عدة خيارات، لكن الدراسة الجديدة تُبرز نقطة ضعف في هذه الطريقة. فقد تم اختبار تقنيات مثل F5-TTS على مجموعة بيانات LibriSpeech-PC، وأظهرت النتائج أن تقييم الجودة يعتمد بشكل كبير على العائلة التي ينتمي إليها نظام ASR، حيث يمكن أن تتباين التقييمات بشكل كبير بين أنظمة مثل Whisper وwav2vec 2.0 وHuBERT.

على سبيل المثال، أظهرت حالات التقييم الداخلية لعائلات ASR قدرتها على استعادة 2-3 مرات أكثر من "فرص المثالية" مقارنة بالتقييمات العائلية المختلطة، مما يشير إلى أن التداخل بين الأنظمة المتعلقة بجودة الأداء كان أكثر من مجرد تداخل تمثيلي.

توصي الدراسة باعتماد أساليب جديدة، مثل تكوين مجموعات ترتيبية عابرة للعائلات، لتحسين دقة النتائج. في النهاية، توصّل الباحثون إلى أن منهجية التثليث بين المقيمين يجب أن تُعتبر ممارسة قياسية للتقارير عن نتائج تقنيات TTS.

ختامًا، هل تعتقد أن مراجعة تقنيات الذكاء الاصطناعي يعتمد على توافق العائلات حقًا؟ شاركنا وجهات نظرك!