情感语音的语音识别：探讨情绪与语音生成策略的影响
音频与语音处理
2026-01-29 v1
摘要
本文考察情感语音及其生成策略对语音识别系统（ASR）性能的影响。我们分析了来自三种情感 TTS 模型合成语音的行为，发现替代错误占主导，且不同模型之间的情感表达差异显著。基于这些洞察，我们提出两种生成策略：一种基于转录正确性，另一种基于情感显著性，用于构建精细化的微调子集。结果表明，这些策略在真实情感数据集上实现了持续的 WER 改进，而在干净的 LibriSpeech 语料上则未见明显退化。尤其对于富有表现力的语音，联合策略取得了最佳提升。这一发现凸显了针对性数据增强在构建情感感知 ASR 系统中的重要性。
引用
@article{arxiv.2601.20319,
title = {ASR for Affective Speech: Investigating Impact of Emotion and Speech Generative Strategy},
author = {Ya-Tse Wu and Chi-Chun Lee},
journal= {arXiv preprint arXiv:2601.20319},
year = {2026}
}
备注
Accepted for publication at IEEE Automatic Speech Recognition and Understanding Workshop (ASRU) 2025