Współczesne modele ASR, czyli automatycznego rozpoznawania mowy, działają bardzo skutecznie, ale ich pomyłki psują transkrypcję i mogą sprawić, że treść zostanie źle zrozumiana. Autorzy porównali, jak dobrze takie „halucynacje” wychwytują różne metody: miary oparte na samym tekście, duże modele językowe oraz informacje z wewnętrznych stanów głębokich sieci neuronowych zbudowanych w architekturze koder-dekoder.
Artykuł „From Text Metrics to Model Internals: A Study of Whisper ASR Hallucination Detection” napisali doktoranci AGH Jan Jasiński, Mateusz Barański i Julitta Bartolewska razem z dr. inż. Marcinem Witkowskim i dr. hab. inż. Konradem Kowalczykiem, prof. AGH. Wszyscy pracują w Zespole Przetwarzania Sygnałów Wydziału Informatyki, Elektroniki i Telekomunikacji.
Według uczelni to drugi rok z rzędu, gdy praca tego zespołu trafia do grona kilkunastu nominowanych do tej nagrody — AGH nazywa ją jednym z najbardziej prestiżowych wyróżnień dla młodych badaczy technologii mowy. Konferencję Interspeech organizuje International Speech Communication Association (ISCA). Tegoroczna edycja zgromadziła ponad 2200 uczestników z 70 krajów, którzy przedstawili ponad 1300 referatów.
Źródła
- AGH — „Nominacja dla zespołu z WIET w konkursie Interspeech 2026 Best Student Papers” (20.10.2026)agh.edu.pl
Tekst przygotowany z pomocą AI na podstawie podanych źródeł i sprawdzony przez redakcję.
