音节识别中混合模型与端到端模型的比较
计算与语言
2019-09-27 v1 机器学习
声音
音频与语音处理
机器学习
摘要
本文比较了传统的混合语音识别系统（使用 WFST 和 TDNN 结合无格 MMI 的 kaldi）与无词典端到端模型（采用 CTC 训练的多层 LSTM 的 TensorFlow 实现），二者均在 Verbmobil 语料库上进行德语音节识别。结果表明，在构建识别系统时显式建模先验知识仍然具有价值。基于音节的强语言模型（LM）下，结构化方法显著优于端到端模型。关于音节的最佳词错误率（WER）由使用 4-gram LM 的 kaldi 取得，该模型对训练集中观察到的所有音节进行建模。其音节 WER 为 10.0%，而端到端方法的最佳 WER 为 27.53%。本文工作对构建独立于大词汇表的未来识别系统具有启示意义，这类系统通常用于音节或黏着语识别、集外词技术、关键词搜索索引及医学语音处理等任务。
引用
@article{arxiv.1909.12232,
title = {A Comparison of Hybrid and End-to-End Models for Syllable Recognition},
author = {Sebastian P. Bayerl and Korbinian Riedhammer},
journal= {arXiv preprint arXiv:1909.12232},
year = {2019}
}
备注
22th International Conference of Text, Speech and Dialogue TSD2019