Reconhecimento automático de fala inclusivo: Uma estrutura para reconhecimento equitativo da fala em crianças com transtornos

Os sistemas de Reconhecimento Automático de Fala (ASR) frequentemente falham em acomodar os diversos padrões de fala das crianças com transtornos de fala, levando a imprecisões que comprometem sua usabilidade em aplicações diagnósticas, terapêuticas e educacionais críticas. Esse desafio surge devido a preconceitos nos modelos existentes, que são principalmente treinados em fala de adultos e não desordenada, limitando suas capacidades de generalização e equidade. Para abordar essas limitações, propomos uma estrutura tecnológica robusta centrada na extração de características independentes de domínio e no treinamento adversarial. O extrator de características é projetado para aprender representações de áudio universais que transcendem preconceitos específicos de domínio, permitindo o processamento preciso de entradas de fala diversas. O desvio adversarial atua como um mecanismo-chave, otimizando o sistema para minimizar erros de previsão de rótulo ao mesmo tempo em que desencoraja ativamente a dependência de características específicas de domínio. Para aprimorar ainda mais o desempenho, a augmentação de dados ciente da divergência gera conjuntos de dados de treinamento enriquecidos, garantindo que o modelo lidere efetivamente com variações nos padrões de fala. Além disso, estratégias avançadas, como inteligência sináptica e replay de experiências, garantem a retenção do conhecimento crítico aprendido durante atualizações iterativas do modelo. Esta abordagem inovadora tem o potencial de transformar os sistemas de ASR em ferramentas equitativas e confiáveis, capacitando educadores, terapeutas e cuidadores a apoiar melhor crianças com transtornos de fala enquanto avança a inclusividade das tecnologias de reconhecimento de fala.