面向低资源不流畅修正的对抗训练
计算与语言
2023-06-13 v1
摘要
不流畅现象在会话语音中经常发生。带有不流畅的语音会导致嘈杂的自动语音识别（ASR）转写文本，从而影响机器翻译等下游任务。本文中，我们提出了一种对抗训练的序列标注模型用于不流畅修正（DC），该模型利用少量带标注的真实不流畅数据以及大量无标注数据。我们通过针对三种印度语言——孟加拉语、印地语和马拉地语（均属印度-雅利安语族）——的 DC 评估，展示了我们提出的技术的益处，该技术关键依赖于合成生成的不流畅数据。我们的技术在去除由言语障碍引入的 ASR 转写文本中的口吃不流畅方面也表现良好。我们在上述三种语言上相比有竞争力的基线平均实现了 6.15 个 F1 分数的提升。据我们所知，我们首个将对抗训练用于 DC 并将其用于修正英语中的口吃不流畅，为此任务建立了新的基准。
引用
@article{arxiv.2306.06384,
title = {Adversarial Training For Low-Resource Disfluency Correction},
author = {Vineet Bhat and Preethi Jyothi and Pushpak Bhattacharyya},
journal= {arXiv preprint arXiv:2306.06384},
year = {2023}
}
备注
Accepted for Findings of ACL 2023