VietMed : Un jeu de données et une référence pour la reconnaissance automatique de la parole vietnamienne dans le domaine médical

En raison des restrictions de confidentialité, il existe une pénurie de jeux de données publiquement disponibles pour la reconnaissance vocale dans le domaine médical. Dans cette étude, nous présentons VietMed – un jeu de données de reconnaissance vocale vietnamienne dans le domaine médical comprenant 16 heures d'enregistrements médicaux étiquetés, 1000 heures d'enregistrements médicaux non étiquetés et 1200 heures d'enregistrements non étiquetés du domaine général. Selon nos connaissances, VietMed est à ce jour le plus grand jeu de données publics de reconnaissance vocale médicale au monde sous sept aspects : durée totale, nombre de locuteurs, maladies, conditions d'enregistrement, rôles des locuteurs, termes médicaux uniques et accents. VietMed est également le plus grand jeu de données vocal public vietnamien en termes de durée totale. De plus, nous sommes les premiers à présenter un jeu de données ASR (Automatic Speech Recognition) médical couvrant tous les groupes de maladies ICD-10 et tous les accents d'un pays. Nous mettons également à disposition les premiers modèles pré-entraînés à grande échelle pour l'ASR vietnamienne, w2v2-Viet et XLSR-53-Viet, ainsi que les premiers modèles finement ajustés à grande échelle pour l'ASR médicale. Même sans aucune donnée médicale lors de l'entraînement non supervisé, notre meilleur modèle pré-entraîné XLSR-53-Viet se généralise très bien au domaine médical en surpassant le modèle XLSR-53 d'avant-garde actuel, avec une réduction du taux d'erreur mot (WER) sur l'ensemble de test de 51,8 % à 29,6 % (une réduction relative supérieure à 40 %). Tout le code source, les données et les modèles sont mis à disposition publiquement : https://github.com/leduckhai/MultiMed/tree/master/VietMed.