使用双向循环神经网络的置信度估计与删除预测
音频与语音处理
2018-11-01 v1 计算与语言
机器学习
声音
摘要
评估自动语音转写可靠性的标准方法是通过使用置信度分数。若准确，这些分数可为上游与下游应用标记转写错误提供一种灵活机制。识别器所犯的一类具挑战性的错误是删除错误。标准置信度估计方案未考虑这些错误，且难以在上游与下游处理中纠正。高删除率普遍存在于 IARPA Babel 与 Material 计划下研究的资源有限且训练/测试条件高度不匹配的情形中。本文研究使用双向循环神经网络，对预测词与已删除词给出置信度估计。我们考察了若干用于组合的简単方案。为评估该方法的有用性，我们将组合置信度分数用于未转写数据选择（偏好具有较低删除错误的转写）中进行检验。实验使用 IARPA Babel/Material 计划的语言开展。
引用
@article{arxiv.1810.13025,
title = {Confidence Estimation and Deletion Prediction Using Bidirectional Recurrent Neural Networks},
author = {Anton Ragni and Qiujia Li and Mark Gales and Yu Wang},
journal= {arXiv preprint arXiv:1810.13025},
year = {2018}
}
备注
Accepted as a conference paper at 2018 IEEE Workshop on Spoken Language Technology (SLT 2018)