用于语音识别的具有自适应感受野的可变形 TDNN
音频与语音处理
2021-05-03 v1 计算与语言
声音
摘要
时间延迟神经网络（TDNNs）广泛应用于基于 DNN-HMM 的混合语音识别系统以及近期端到端系统中。然而，TDNN 的感受野有限且固定，这对于语音识别等任务并不理想，因为语音的时间动态变化且受诸多因素影响。本文提出在端到端语音识别中使用可变形 TDNN 进行自适应时间动态建模。受可变形 ConvNets 启发，可变形 TDNN 以额外偏移增强时间采样位置，并基于 ASR 准则自动学习偏移，无需额外监督。实验表明可变形 TDNN 在 WSJ 基准上取得了最先进结果（在 WSJ eval92/dev93 上分别达到 1.42%/3.45% WER），显著优于标准 TDNN。此外，我们提出可变形 TDNN 的延迟控制机制，使可变形 TDNN 能够在不降低精度的情况下进行流式 ASR。
引用
@article{arxiv.2104.14791,
title = {Deformable TDNN with adaptive receptive fields for speech recognition},
author = {Keyu An and Yi Zhang and Zhijian Ou},
journal= {arXiv preprint arXiv:2104.14791},
year = {2021}
}
备注
5 pages. submitted to Interspeech 2021