深度聚类作为稀疏重叠语音自动语音识别预处理的分析
声音
2019-09-26 v2 计算与语言
音频与语音处理
摘要
当音频信号包含串扰时，自动语音识别（ASR）系统会出现显著的性能下降。最近提出的解决多说话人 ASR 问题的方法之一是深度聚类（DPCL）方法。将 DPCL 与最先进的混合声学模型结合，我们在常用的 wsj0-2mix 数据集上获得了 16.5% 的词错误率（WER），据我们所知这是迄今为止报道的最佳性能。wsj0-2mix 数据集包含模拟串扰，其中多个说话人的语音在几乎整个语句中重叠。在更现实的 ASR 场景中，音频信号包含大量的单说话人语音，仅部分信号包含多个竞争说话人的语音。本文研究了在此类稀疏重叠语音场景中应用 DPCL 作为 ASR 预处理方法的障碍。为此，我们提出了一种与 wsj0-2mix 数据集密切相关的数据模拟方法，生成任意重叠率的稀疏重叠语音数据集。将 DPCL 应用于稀疏重叠语音的分析，是介于完全重叠数据集（如 wsj0-2mix）与更现实的 ASR 数据集（如 CHiME-5 或 AMI）之间的重要中间步骤。
引用
@article{arxiv.1905.03500,
title = {Analysis of Deep Clustering as Preprocessing for Automatic Speech Recognition of Sparsely Overlapping Speech},
author = {Tobias Menne and Ilya Sklyar and Ralf Schlüter and Hermann Ney},
journal= {arXiv preprint arXiv:1905.03500},
year = {2019}
}