对高度不完美文本转录的语音对齐
声音
2007-05-23 v1 多媒体
摘要
我们提出了一种新颖且经济的方法，用于将语音与来自自动语音识别 (ASR) 的高度不完美转录文本进行时间对齐。为生成长篇演讲和演示视频的转录文本，其中一些案例包含超过 30 位不同方言的说话人，导致转录质量高度变化。我们的方法检测语音轨道中的一子集音素，并将其对齐到从转录文本中提取的音素序列。我们报告了 4 组语音-转录集（长度为 22 分钟至 108 分钟）的结果。对齐性能令人鼓舞，对超过 60%、75%、90% 的文本分别在 10 秒、20 秒、30 秒的误差范围内实现正确的音素匹配。
引用
@article{arxiv.cs/0612139,
title = {Alignment of Speech to Highly Imperfect Text Transcriptions},
author = {Alexander Haubold and John R. Kender},
journal= {arXiv preprint arXiv:cs/0612139},
year = {2007}
}