1. Sobre o proxecto
1.1 O Proxecto Nós
O proxecto Nós nace co obxectivo de colocar a lingua galega na vangarda das Tecnoloxías Lingüísticas. Con esta finalidade, dende o proxecto desenvolveranse corpus, modelos e recursos tecnolóxicos de alta calidade para o procesamento automático do galego, tanto oral como escrito. Os recursos desenvolvidos no proxecto Nós serán de libre acceso a terceiros, o que permitirá e facilitará o desenvolvemento de produtos e servizos en lingua galega por empresas, institucións e organizacións, tanto públicas como privadas.
O proxecto Nós pretende ser un tractor económico e de impacto, posto que entre as súas finalidades está contribuír á creación dun ecosistema empresarial e de investigación centrado na xeración de recursos para o galego. Á vez, as potencialidades do seu impacto social son profundas, dado que se pretende proporcionar ás galegas e aos galegos a posibilidade de vivir a súa vida no ámbito dixital na súa lingua e contribuír así tamén á normalización lingüística.
1.2 Que é Nós-ASR?
Nós-ASR é un prototipo de recoñecemento automático da fala (ASR ou "Automatic Speech Recognition") en lingua galega baseado en redes neuronais artificiais. Por agora, trátase dunha versión preliminar en fase de probas, que se mellorará a medida que se vaian xerando novos recursos (conxuntos de datos e ferramentas) dentro do Proxecto Nós.
1.3 Como funciona o sistema?
Un sistema de recoñecemento automático da fala (ASR, Automatic Speech Recognition) analiza un sinal de voz e convérteo nunha transcrición escrita. Para iso, emprega modelos de aprendizaxe profunda adestrados con exemplos de fala e texto.
Este demostrador inclúe tres modelos con arquitecturas diferentes, polo que poden producir resultados distintos para un mesmo audio:
| Modelo | Características principais |
|---|---|
| Nos_ASR-wav2vec2-xls-r-300m-gl | É un modelo rápido e lixeiro. Na configuración desta demo non utiliza un modelo de linguaxe adicional. Por este motivo, pode ter dificultades para identificar correctamente as fronteiras entre palabras. A transcrición non inclúe maiúsculas nin signos de puntuación. |
| Whisper-large-v3-turbo-gl-v1.0 | Inclúe maiúsculas e signos de puntuación, polo que produce unha transcrición máis natural e fácil de ler. Pode cometer erros especialmente en gravacións con ruído ou fala espontánea. Algo máis lento. |
| w2v-bert-2.0-gl | Produce transcricións sen maiúsculas nin signos de puntuación. Pode ser unha boa opción cando se busca preservar mellor o contido da fala, malia poder presentar erros ortográficos ou dificultades para identificar correctamente algunhas palabras. Máis lento. |
Datos de adestramento
Os modelos foron adaptados ao galego utilizando diferentes combinacións de corpus públicos e corpus elaborados polo Proxecto Nós. Estes datos inclúen distintos tipos de fala, desde gravacións lidas ata contidos máis espontáneos.
- Wav2Vec2-XLS-R-300M-GL: Common Voice v17.0, OpenSLR77, FalAI, FLEURS e Nos_ParlaSpeech-GL.
- Whisper-large-v3-turbo-gl-v1.0: Common Voice v23, OpenSLR77, FalAI, FLEURS e Nos_Transcrispeech-GL.
- w2v-BERT 2.0-GL: Common Voice v23, OpenSLR77, FalAI, FLEURS, Nos_Transcrispeech-GL e Nos_RG-Podcast-GL.
A combinación de datos e a arquitectura de cada modelo inflúen no seu comportamento e explican parte das diferenzas entre as transcricións. Para consultar os detalles técnicos, visita as fichas dos modelos na sección de Descargas.
1.4 Cal é a calidade do sistema?
A calidade dun sistema ASR mídese habitualmente mediante as seguintes métricas:
- WER (Word Error Rate): taxa de erro de palabra. Indica a proporción de palabras que o sistema transcribe incorrectamente. Canto menor é o valor, mellor é o resultado.
- CER (Character Error Rate): taxa de erro de carácter. Mide a proporción de caracteres incorrectos na transcrición.
- RTF (Real-Time Factor): relación entre o tempo empregado polo sistema para procesar un audio e a duración dese audio. Un valor inferior a 1 indica que o audio pode procesarse en menos tempo do que dura.
Os resultados poden variar segundo o modelo, o tipo de fala, a calidade da gravación e o corpus utilizado para a avaliación. Ademais, as métricas non son directamente comparables cando se calculan sobre corpus ou condicións diferentes. Os resultados detallados de cada modelo poden consultarse nas súas respectivas fichas técnicas.
1.5 Como podes axudarnos a mellorar o sistema?
Para a obtención deste tipo de sistemas é imprescindible a dispoñibilidade de grandes conxuntos de datos, o que supón un problema engadido para as linguas con poucos recursos como o galego. Neste senso, existen dúas formas prioritarias a través das cales podes axudarnos a mellorar os datos dispoñibles para o galego, todas elas a través da iniciativa Mozilla Common Voice:
Aínda que non é imprescindible para comezar a colaborar, é aconsellable que te rexistres na plataforma. O rexistro de usuarios permite que os datos enviados sexan máis ricos ao recollerse información da idade, o xénero e o acento da persoa que realiza a gravación.
No caso de que desexes colaborar na mellora dos modelos que estamos a desenvolver, só tes que solicitar ser incluído na nosa comunidade e poñerte en contacto co equipo de voz. Es sempre benvido/a!