Расовые различия в автоматическом распознавании речи

Системы автоматического распознавания речи (ASR), использующие сложные алгоритмы машинного обучения для преобразования устной речи в текст, получили широкое распространение: они обеспечивают работу популярных виртуальных ассистентов, облегчают автоматическое создание субтитров и поддерживают платформы цифровой диктовки в здравоохранении. За последние несколько лет качество этих систем значительно улучшилось благодаря как достижениям в области глубокого обучения, так и сбору крупномасштабных наборов данных, используемых для обучения систем. Однако существует опасение, что эти инструменты работают недостаточно эффективно для всех подгрупп населения. В данной работе мы исследуем способность пяти современных систем автоматического распознавания речи, разработанных компаниями Amazon, Apple, Google, IBM и Microsoft, транскрибировать структурированные интервью с участием 42 белых и 73 чернокожих говорящих. В общей сложности этот корпус охватывает пять городов США и включает 19,8 ч аудиозаписей, сопоставленных по возрасту и полу говорящих. Мы обнаружили, что все пять систем автоматического распознавания речи демонстрировали существенные расовые различия: средний показатель частоты ошибок в словах (WER) составлял 0,35 для чернокожих говорящих по сравнению с 0,19 для белых. Мы связываем эти различия с используемыми системами базовыми акустическими моделями, поскольку разрыв между расовыми группами был столь же велик для поднабора идентичных фраз, произнесённых чернокожими и белыми участниками нашего корпуса. В заключение мы предлагаем стратегии, такие как использование более разнообразных обучающих наборов данных, включающих афроамериканский вариант английского языка, для сокращения этих различий в производительности и обеспечения инклюзивности технологий распознавания речи.