端到端语音识别：综述
音频与语音处理
2023-03-07 v1 计算与语言
声音
摘要
在过去十年的自动语音识别（ASR）研究中，深度学习的引入带来了相对于无深度学习的建模超过 50% 的词错误率显著下降。在这一转变之后，多种全神经 ASR 架构被提出。这些所谓的端到端（E2E）模型提供了高度集成、完全神经化的 ASR 模型，它们强烈依赖通用机器学习知识，从数据中更一致地学习，同时较少依赖 ASR 领域特定的经验。深度学习的成功与热情采纳，伴随着更通用的模型架构，使得 E2E 模型如今成为主流的 ASR 方法。本综述旨在提供 E2E ASR 模型及相应改进的归类体系，并讨论它们的性质及其与基于经典隐马尔可夫模型（HMM）的 ASR 架构的关系。本工作涵盖了 E2E ASR 的所有相关方面：建模、训练、解码以及外部语言模型集成，并附带对性能与部署机会的讨论，以及对潜在未来发展的展望。
引用
@article{arxiv.2303.03329,
title = {End-to-End Speech Recognition: A Survey},
author = {Rohit Prabhavalkar and Takaaki Hori and Tara N. Sainath and Ralf Schlüter and Shinji Watanabe},
journal= {arXiv preprint arXiv:2303.03329},
year = {2023}
}
备注
Submitted to IEEE/ACM Transactions on Audio, Speech, and Language Processing