基于 BLSTM 的端到端语音识别置信度估计
音频与语音处理
2023-12-25 v1 计算与语言
摘要
置信度估计旨在评估自动语音识别 (ASR) 假设中每个识别标记（如词、子词和字符）的可靠性并检测错误识别的标记，是开发 ASR 应用的一项重要功能。本研究针对端到端 (E2E) ASR 假设进行置信度估计。近期的 E2E ASR 系统在各种 ASR 任务中表现出高性能（例如标记错误率约为 5%）。在此类情况下，由于需要从mostly correct 的标记序列中检测罕见的错误标记，置信度估计变得困难。为解决这一数据集不平衡问题，我们采用基于双向长短期记忆 (BLSTM) 的模型作为强大的二分类（正确/错误）序列标注器，并使用类别平衡目标进行训练。实验证实，通过利用多种类型的 ASR 解码分数作为其辅助特征，该模型在高度不平衡的设置下始终表现出高置信度估计性能。我们还证实，基于 BLSTM 的模型优于基于 Transformer 的置信度估计模型，后者极大地低估了错误标记。
引用
@article{arxiv.2312.14609,
title = {BLSTM-Based Confidence Estimation for End-to-End Speech Recognition},
author = {Atsunori Ogawa and Naohiro Tawara and Takatomo Kano and Marc Delcroix},
journal= {arXiv preprint arXiv:2312.14609},
year = {2023}
}
备注
Accepted to ICASSP 2021