Akcenty i stronniczość w biometrii głosu: jak sobie z nimi radzić
October 15, 2025
•min read
Badania nad AI
Rysunek 1: Mapowanie globalnej różnorodności głosu
„Luka akcentowa”
Historycznie rozpoznawanie głosu świetnie radziło sobie z akcentami „General American” lub „Received Pronunciation” (brytyjskim).
Zawodziło żałośnie w przypadku osób nierodzimych, dialektów regionalnych czy AAVE.
Dlaczego? Uczenie nadzorowane opierało się na oznaczonych zbiorach danych (w większości czytanych przez opłacanych aktorów w studiach).
Wkracza samonadzorowane uczenie (SSL)
Nowoczesne modele (takie jak Wav2Vec 2.0 i HuBERT) nie potrzebują etykiet.
Trenują na ponad 100,000 godzin losowego audio z internetu (YouTube, podcasty, radio) w ponad 100 językach.
Uczenie się fizyki, a nie wymowy
Stare modele uczyły się „jak wymawiasz »Hello«”.
Nowe modele uczą się „jak rezonuje Twój trakt głosowy”.
- Wymowa jest wyuczona (zmienia się w zależności od kultury/akcentu).
- Fizyka traktu głosowego jest biologiczna (unikalna dla Ciebie).
Skupiając się na fizyce (barwie, wysokości, rezonansie), czynimy uwierzytelnianie niezależnym od języka.
Pomiar sprawiedliwości
Testujemy modele IdentityCall ‘26 na zbiorze danych „FairVoice”.
| Grupa akcentowa | Współczynnik fałszywego odrzucenia (stary) | Współczynnik fałszywego odrzucenia (nowy) |
|---|---|---|
| Rodzimy z USA | 1.2% | 0.8% |
| Akcent hiszpański | 4.5% | 0.9% |
| Akcent azjatycki | 5.1% | 1.0% |
Luka się zamknęła. Bezpieczeństwo nie powinno dyskryminować.
Inkluzywne z założenia
Nie ograniczamy się do „łatania” stronniczości. Budujemy architektury, które ignorują kulturową warstwę mowy i weryfikują warstwę ludzką.
Tags:
