في عصر تقنية التعرف على الصوت (ASR)، تلعب المحادثات الاصطناعية ذات المتحدثين المتعددين دورًا حيويًا في تدريب أنظمة التعرف على الصوت. ومع ذلك، لا يزال من غير الواضح أي خصائص توقيت تجعل هذه البيانات simulated الأكثر فائدة.

تدرس ورقة بحثية حديثة توقيت المحادثات باعتباره متغيرًا قابلًا للتحكم في التدريب، وليس كإحصاء بسيط للقوام. يتم تحليل توزيعات توقيت التوقف والتداخل باستخدام نموذج إكسبونافي يعتمد على بيانات من عدة مجموعات محادثات، مما يفتح المجال لاستكشاف فضاء المعلمات من خلال أساليب مثل أخذ العينات من الصناديق اللاتينية والتحسين البايزي متعدد الأغراض.

تستخدم كل مجموعة توقيت تم أخذ عينات منها لتوليد محادثات تدريبية اصطناعية، وتدريب نظام التعرف على الصوت، ثم تقييم معدلات الخطأ في الكلمات (cpWER) والأحرف (cpCER) باستخدام مجموعة بيانات حوار مجري.

تظهر النتائج أن سلوك أنظمة التعرف على الصوت يعكس بشكل أكثر دقة إحصاءات التوقيت المستحثة بدلاً من التفاصيل الأولية للمنشأة أو قرب المجموعة. على وجه الخصوص، يرتبط التعرض الأعلى للتداخل بانخفاض معدلات cpWER، بينما ترتبط الفجوات الأطول والأكثر تنوعًا بزيادة هذه المعدلات.

ويقدم التحسين البايزي تحسينات مجمعة معتدلة؛ ومع ذلك، فإن قيمته الرئيسية تكمن في التحليل: إذ تنتج التدخلات التحكمية في التوقيت التي تكشف عن توازن بين التداخل والفجوة في بيانات التدريب المحاكية. توضح هذه النتائج أن عمليات المحاكاة الواقعية يجب أن تُكمل بتشخيصات مرتبطة بالمهمة لملفات التداخل والفجوة وتنوع التوقيت.