למה מודלים כלליים טועים בעברית מדוברת, ומה עשינו אחרת

"הוא אמר חמישים ותשע או חמישים ותשעה?" מודל תמלול לא שומע כמו אדם. הוא בוחר את רצף המילים הסביר ביותר בהינתן הצלילים, ומה שסביר תלוי במה שהוא למד. מודל שרוב האימון שלו הוא אנגלית למד עברית כמו תייר: הקראה נקייה הוא מבין, שיחת מכירה רועשת הוא משלים בניחוש. הפוסט הזה מסביר את הכשל, ומה עושה מודל שאומן על עברית שמדברים.

איך מודל תמלול "מנחש"

כל מודלי התמלול עובדים אותו דבר: שומעים מקטע, ובוחרים מילים שמתאימות גם לצליל וגם למה שכבר נכתב. זה לא חולשה, זו השיטה. השאלה היא על מה המודל למד מה "סביר". כשהצליל בעברית לא ברור, מודל כללי ישלים מילה עברית שכיחה במקום המילה הנכונה. זה נשמע קוהרנטי, וזה לא מה שנאמר.

בעברית ספונטנית זה קורה הרבה: סיומות שנבלעות, שמות, מספרים, מונחים באנגלית באמצע משפט, ושני אנשים שמדברים יחד. בהקראה של חדשות כל המודלים טובים; בישיבת צוות ההבדלים נפתחים.

מה עשינו אחרת

אימנו מודל תמלול משלנו על עברית מדוברת, ואנחנו ממשיכים לאמן אותו. כל גרסה חדשה עוברת השוואה עיוורת מול הגרסה שרצה בייצור, על אותן הקלטות של פגישות אמיתיות, ורק אם היא טועה פחות היא מחליפה אותה. בהשוואה האחרונה רוב השיפור היה בדיוק במקום שתואר למעלה: פחות החלפות מילים, והפער הגדול ביותר באודיו הקשה, עם הד ורעש.

למה זה משנה לכם

כי כשמתמללים פגישה משפטית, ראיון או שיחת מכירה, השגיאה המסוכנת היא לא מילה חסרה, אלא מילה אחרת שנשמעת הגיונית. פחות החלפות זה בדיוק מה שהמודל שלנו נבחר עליו. ועדיין: יש שגיאות, בעיקר בשמות ובמספרים. לכן יש עריכה בתמליל, לכן הדובר מקבל שם פעם אחת והוא נשמר, ולכן לשימוש קריטי מאמתים מול ההקלטה.

אל תאמינו למילים. תבדקו.

העלו הקלטה אחת, הכי קשה שיש לכם, והשוו בעצמכם לכל כלי אחר. זה המבחן היחיד שחשוב.