13、自动语音识别系统与对话响应时机估计研究

自动语音识别系统与对话响应时机估计研究

在当今科技发展的浪潮中，自动语音识别（ASR）系统和对话响应时机的研究愈发重要。自动语音识别系统在医疗咨询等领域有着广泛应用，而对话系统中准确把握响应时机则是实现自然流畅对话的关键。

自动语音识别系统比较

在医疗咨询场景下，研究人员利用 EQClinic 平台开展了相关实验。
- 实验设置 ：
- 参与者 ：12 名二年级本科医学生（6 女 6 男）和 2 名模拟患者（1 男 1 女），模拟患者为专业演员，通过网络招募，每小时报酬 35 澳元，该研究获新南威尔士大学人类研究伦理委员会批准。
- 数据收集 ：每次咨询，EQClinic 为每位发言者生成一个分辨率 640x480 像素、帧率 25fps 的 MP4 视频记录，使用 FFMpeg 软件提取音频记录。随机选取 12 个访谈会话，确保每种性别配对（男 - 男、男 - 女、女 - 男、女 - 女）各有 3 个视频。会话时长 12 - 18 分钟，平均 14.8 分钟，每个会话有 2 个视频，每个视频包含 668 - 1705 个单词，平均 1187 个单词，共分析 24 个视频、28480 个单词。
- 转录服务 ：
- 服务类型 ：将 24 个视频发送给 7 个转录服务，2 个手动转录服务（独立专业转录员 CB 和 Rev.com 的自由职业者 Rev），5 个 ASR 系统（Google Cloud、IBM Watson、Microsoft Azure、Trint、