一种具有局部与全局上下文的紧凑端到端语音语种识别模型
音频与语音处理
2023-08-14 v2 计算与语言
声音
摘要
我们介绍了 TitaNet-LID，一种基于 ContextNet 架构的紧凑端到端神经网络，用于语音语种识别（LID）。TitaNet-LID 采用一维深度可分离卷积和压缩激励（Squeeze-and-Excitation）层，以有效捕获语句内的局部与全局上下文。尽管模型规模很小，TitaNet-LID 在 VoxLingua107 数据集上取得了与最先进（state-of-the-art）模型相近的性能，而模型大小仅为后者的十分之一。此外，通过简单的微调，它可轻松适配新的声学条件和未见过的语言，在 FLEURS 基准上达到了 88.2% 的最先进准确率。我们的模型具有可扩展性，能够在准确率与速度之间实现更好的权衡。TitaNet-LID 即使在长度小于 5 秒的短语句上也表现良好，表明其对输入长度具有鲁棒性。
引用
@article{arxiv.2210.15781,
title = {A Compact End-to-End Model with Local and Global Context for Spoken Language Identification},
author = {Fei Jia and Nithin Rao Koluguri and Jagadeesh Balam and Boris Ginsburg},
journal= {arXiv preprint arXiv:2210.15781},
year = {2023}
}
备注
Accepted to INTERSPEECH 2023