探索用于关键词 spotting 的序列到序列 Transformer-Transducer 模型
音频与语音处理
2022-11-15 v1 机器学习
声音
摘要
在本文中，我们提出一种将序列到序列 Transformer-Transducer 自动语音识别(ASR)系统适配到关键词 spotting (KWS) 任务的新方法。我们通过将文本转写中的关键词替换为特殊标记 <kw> 并训练系统检测音频流中的 <kw> 标记来实现这一点。在推理时，我们受传统 KWS 方法启发创建决策函数，使我们的方法更适用于 KWS 任务。此外，我们通过适配序列判别的 Minimum Bayes-Risk 训练技术，引入特定的关键词 spotting 损失。我们发现我们的方法显著优于基于 ASR 的 KWS 系统。与传统的关键词 spotting 系统相比，我们的提案性能相近，同时带来了序列到序列训练的优势与灵活性。此外，当与传统 KWS 系统结合时，我们的方法可在任意工作点上提升性能。
引用
@article{arxiv.2211.06478,
title = {Exploring Sequence-to-Sequence Transformer-Transducer Models for Keyword Spotting},
author = {Beltrán Labrador and Guanlong Zhao and Ignacio López Moreno and Angelo Scorza Scarpati and Liam Fowl and Quan Wang},
journal= {arXiv preprint arXiv:2211.06478},
year = {2022}
}