基于卷积变分自编码器的语谱压缩用于自动语音识别
声音
2024-10-07 v2 计算与语言
音频与语音处理
摘要
对于许多自动语音识别（ASR）任务，语谱图作为音频特征比梅尔频率倒数系数（MFCC）显示更好的效果，但在实际应用中由于特征空间的复杂维度而难以使用。本文提出一种基于卷积变分自编码器（Convolutional VAE）的生成压缩语谱表示的方法。对LibriSpeech数据集的子样本进行训练，以重建来自13维嵌入的短音频语谱片段（25 ms）。在40维（300 ms）嵌入上训练的模型用于生成GoogleSpeechCommands数据集上 spoken commands 语料库的特征。使用生成的特征构建的ASR系统与使用MFCC特征的模型进行了比较。
引用
@article{arxiv.2410.02560,
title = {Convolutional Variational Autoencoders for Spectrogram Compression in Automatic Speech Recognition},
author = {Olga Iakovenko and Ivan Bondarenko},
journal= {arXiv preprint arXiv:2410.02560},
year = {2024}
}
备注
Theory and Practice of Natural Computing 9th International Conference, TPNC 2020, Taoyuan, Taiwan, 2020, Proceedings 9