儿童语音ASR错误的因果分析：量化生理、认知及外部因素的影响
音频与语音处理
2025-02-13 v1
摘要
近年来，儿童自动语音识别（ASR）系统的日益普及推动了针对儿童语音模型准确性的研究。当前方法要么直接使用开源语音基础模型（SFM），要么使用儿童语音数据对其进行微调。这些SFM，无论是开源的还是针对儿童微调的，与成人语音相比，通常表现出更高的词错误率（WER）。然而，目前缺乏对SFM性能下降原因的系统性分析。理解并解决这种性能差异背后的原因，对于提高儿童语音SFM的准确性至关重要。我们的研究通过探究准确性下降的原因以及儿童语音中WER的主要贡献因素来填补这一空白。在研究的第一部分，我们在两个儿童语音语料库上，对不同年龄组进行了两种自监督SFM（Wav2Vec2.0和Hubert）和两种弱监督SFM（Whisper和MMS）的全面基准测试，为第二部分的因果推断分析建立了原始数据。在研究的第二部分，我们使用因果推断分析了生理因素（年龄、性别）、认知因素（发音能力）和外部因素（词汇难度、背景噪声和词数）对儿童语音SFM准确性的影响。结果表明，生理因素（年龄）和特定的外部因素（音频中的词数）对准确性的影响最大，其次是背景噪声和发音能力。在儿童语音上微调SFM会降低对生理和认知因素的敏感性，而对音频中词数的敏感性仍然存在。
引用
@article{arxiv.2502.08587,
title = {Causal Analysis of ASR Errors for Children: Quantifying the Impact of Physiological, Cognitive, and Extrinsic Factors},
author = {Vishwanath Pratap Singh and Md. Sahidullah and Tomi Kinnunen},
journal= {arXiv preprint arXiv:2502.08587},
year = {2025}
}
备注
Submitted to Computer Speech & Language