ترجمه فارسی مقاله مدلهای گفتار خود تحت نظارت برای تشخیص گفتار لکنت زبان در سطح کلمه

چکیده

Clinical diagnosis of stuttering requires an assessment by a licensed speech-language pathologist. However, this process is time-consuming and requires clinicians with training and experience in stuttering and fluency disorders. Unfortunately, only a small percentage of speech-language pathologists report being comfortable working with individuals who stutter, which is inadequate to accommodate for the 80 million individuals who stutter worldwide. Developing machine learning models for detecting stuttered speech would enable universal and automated screening for stuttering, enabling speech pathologists to identify and follow up with patients who are most likely to be diagnosed with a stuttering speech disorder. Previous research in this area has predominantly focused on utterance-level detection, which is not sufficient for clinical settings where word-level annotation of stuttering is the norm. In this study, we curated a stuttered speech dataset with word-level annotations and introduced a word-level stuttering speech detection model leveraging self-supervised speech models. Our evaluation demonstrates that our model surpasses previous approaches in word-level stuttering speech detection. Additionally, we conducted an extensive ablation analysis of our method, providing insight into the most important aspects of adapting self-supervised speech models for stuttered speech detection.

چکیده به فارسی (ترجمه ماشینی)

تشخیص بالینی لکنت زبان نیاز به ارزیابی توسط یک آسیب شناس دارای مجوز گفتار دارد.با این حال ، این فرایند وقت گیر است و به پزشکان با آموزش و تجربه در لکنت زبان و اختلالات تسلط نیاز دارد.متأسفانه ، تنها درصد کمی از آسیب شناسان زبان گفتار ، گزارش می دهند که کار با افرادی که لکنت دارند ، راحت هستند ، که برای 80 میلیون نفری که در سراسر جهان لکنت دارند ، ناکافی است.توسعه مدل های یادگیری ماشین برای تشخیص گفتار لکنت زبان ، غربالگری جهانی و خودکار را برای لکنت زبان امکان پذیر می کند ، و این امکان را برای آسیب شناسان گفتار فراهم می کند تا با بیمارانی که به احتمال زیاد با یک اختلال گفتار لکنت تشخیص داده می شوند ، شناسایی و پیگیری کنند.تحقیقات قبلی در این زمینه عمدتاً بر روی تشخیص سطح گفتار متمرکز شده است ، که برای تنظیمات بالینی که حاشیه نویسی سطح کلمه لکنت زبان است ، کافی نیست.در این مطالعه ، ما یک مجموعه داده گفتار لکنت زبان را با حاشیه نویسی در سطح کلمه انجام دادیم و یک مدل تشخیص گفتار لکنت زبان در سطح کلمه را با استفاده از مدلهای گفتار خودکارد شده معرفی کردیم.ارزیابی ما نشان می دهد که مدل ما از رویکردهای قبلی در تشخیص گفتار لکنت زبان در سطح کلمه پیشی می گیرد.علاوه بر این ، ما یک تجزیه و تحلیل فرسایش گسترده از روش خود انجام دادیم ، و بینشی در مورد مهمترین جنبه های سازگاری مدل های گفتار خودکشی برای تشخیص گفتار لکنت زبان ارائه می دهیم.