Nézzük meg, hogy a grafémaalapú (karakteralapú) akusztikus modelleket elejétől végig (end-to-end) neuronhálóval kezelő QuartzNet (Kriman et al. 2020) + CTC (Connectionist Temporal Classification, Graves et al. 2006) megközelítés esetén hogyan alakulnak a leiratozási pontossági mérőszámok nyelvmodell alkalmazása nélkül a 7. táblázatban. Ennél a megközelítésnél a neuronhálónak a beszédfeldolgozáshoz közeli – ún. enkóder – részének struktúrája nyelvfüggetlen, így az angol nyelvre már betanított enkóder felhasználható a magyar nyelvű tanításban is. A betanítás minden esetben a hanganyag pontos leiratát igényli, azaz felügyelt tanítást alkalmazunk.

 

 

Ahogy a 7. táblázat mutatja, a spontán és a kötött beszéd leiratozási hibái közötti távolság lényegesen csökkent, azonban ezt kisebb részben okozza a spontán beszédnél tapasztalható pontosságnövekedés, mint a kötött beszédnél tapasztalható romlás. Az angol nyelvű előtanítás egyértelműen csökkenti a beszédfelismerési hibákat, aminek magyarázata lehet, hogy előtanítás nélküli esetben is valahonnan el kell kezdeni a neuronháló paramétereinek hangolását, és ez ilyenkor csak véletlenszerű számokkal történhet, aminél még az angol nyelvre optimalizált súlyértékek is kedvezőbbek. Mind a 6. táblázatban, mind a 7. táblázatban közölt eredmények hasonló komplexitású, kb. 18 millió paramétert tartalmazó modellekkel készültek.