စကားပြောသံသည် စကားလုံးများထက် ပိုမိုသယ်ဆောင်သည်။ အရက်မူးယစ်မှုသည် အသံထွက်ခြင်း၊ စည်းချက်နှင့် ကြိမ်နှုန်းဆိုင်ရာ အသေးစားပြောင်းလဲမှုများတွင် တိုင်းတာနိုင်သော ခြေရာများကို ချန်ထားသည် — လူ့နားဖြင့် စိတ်ချရစွာ မှတ်တမ်းတင်နိုင်ခြင်း မရှိသော အချက်ပြမှုများဖြစ်သည်။
XENOM ၏ R&D အဖွဲ့သည် အဆိုပါ အသံပိုင်းဆိုင်ရာ biomarkers များကို ရှာဖွေရန် ကိုယ်ပိုင် deep learning မော်ဒယ်တစ်ခုကို လေ့ကျင့်ထားပြီး ဤလုပ်ငန်းအတွက် စံပြ အများသုံး benchmark ဖြစ်သော Alcohol Language Corpus တွင် အကဲဖြတ်ခဲ့သည်။
တူညီစွာ တင်းကျပ်စွာ အမှတ်ပေးထားသည် — per-window unweighted average recall၊ တစ်ကြိမ်စကားပြောလျှင် ဆုံးဖြတ်ချက်တစ်ခု၊ voting မပါ၊ ယခင်သုတေသနများကို တိုင်းတာသည့်နည်းအတိုင်းပင် — reference-based configuration သည် 86.3% UAR ရရှိသည်။ Enrolled baseline မလိုအပ်ဘဲ တစ်ခုတည်းသော စကားပြောနမူနာမှ ဆုံးဖြတ်သည့် reference-free configuration သည် 81.9% ရရှိသည်။ Deployment operating point တွင်၊ စနစ်က recording တစ်ခု၏ windows များစွာကို သဘောတူညီချက်ဆုံးဖြတ်ချက်တစ်ခုအဖြစ် ပေါင်းစပ်လိုက်သောအခါ ၎င်းတို့သည် အသီးသီး 87.6% နှင့် 82.5% သို့ မြင့်တက်သွားသည်။
နောက်ခံအချက်အလက်အနေဖြင့်- ဤ corpus တွင် တရားဝင် Interspeech 2011 Speaker-State Challenge baseline သည် 65.9% UAR ရှိပြီး၊ ယခင်ထုတ်ပြန်ခဲ့သော state-of-the-art ရလဒ်များသည် 73–75% ခန့်တွင် အမြင့်ဆုံးဖြစ်ကာ၊ လေ့ကျင့်မထားသော လူနားထောင်သူများသည် 60–65% ခန့် ရမှတ်ရကြသည်။
ဤစနစ်သည် ပုံမှန် ရေဒီယိုဆက်သွယ်မှုများပေါ်တွင် passive layer တစ်ခုအနေဖြင့် အလုပ်လုပ်သည်။ အလုပ်သမားများသည် အမြဲတမ်းပြောသလို ပြောကြသည်။ ထပ်ဆောင်းလုပ်ထုံးလုပ်နည်းမရှိ၊ အလုပ်ကို အနှောင့်အယှက်မရှိ၊ သီးခြားစစ်ဆေးရေးဂိတ်လည်း မရှိပါ။
စနစ်သည် ဘာဖြစ်သည် — ဘာမဟုတ်သည်ကို သိရှိရန်။ ၎င်းသည် သွေးတွင်းအရက်ပါဝင်မှုကို တိုင်းတာခြင်းမဟုတ်ဘဲ အလုပ်သမားတစ်ဦးကို တာဝန်မှ ဖယ်ရှားရန် အကြောင်းပြချက်အဖြစ် အသုံးမပြုနိုင်ပါ။ ၎င်းသည် မည်သူ့ကို အာရုံစိုက်သင့်သည်ကို ညွှန်ပြပေးသော ပထမအဆင့် screening ကိရိယာတစ်ခုဖြစ်ပြီး သတ်မှတ်ထားသောနည်းလမ်းများဖြင့် အတည်ပြုရန်ဖြစ်သည်။ သက်ဆိုင်ရာ နှိုင်းယှဉ်မှုမှာ breathalyzer နှင့်မဟုတ်ဘဲ ယနေ့အသုံးပြုနေသော အခြားရွေးချယ်စရာဖြစ်သည့် ကြီးကြပ်သူ၏ စောင့်ကြည့်လေ့လာမှုနှင့်ဖြစ်ပြီး ၎င်းသည် လေ့ကျင့်မထားသော နားထောင်မှုအဆင့်ခန့်သာ စွမ်းဆောင်နိုင်သည်။
တိကျမှုကျဆင်းသွားသော အခြေအနေများအပါအဝင် အသံပိုင်းဆိုင်ရာအခြေအနေများအားလုံးတွင် ရလဒ်အပြည့်အစုံကို နည်းလမ်း၏ နှိုင်းယှဉ်နိုင်မှုသတိပေးချက်များနှင့် သိရှိထားသော ကန့်သတ်ချက်များနှင့်အတူ ထုတ်ပြန်ထားသည်။