基于混合 CTC/Attention 架构与多特征融合网络探索土耳其语语音识别
声音
2023-03-23 v1 计算与语言
音频与语音处理
摘要
近年来，基于深度学习的端到端语音识别技术发展迅速。由于土耳其语语音数据匮乏，土耳其语语音识别系统性能较差。首先，本文研究了一系列语音识别调优技术。结果表明，当采用速度扰动与加噪结合的数据增强技术且束搜索宽度设为 16 时，模型性能最佳。其次，为最大化利用有效特征信息并提升特征提取准确率，本文提出一种新的特征提取器 LSPC。LSPC 与 LiGRU 网络结合形成共享编码器结构，并实现模型压缩。结果表明，仅使用 Fbank 特征时，LSPC 性能优于 MSPC 和 VGGnet，词错率（WER）分别提升 1.01% 和 2.53%。最后，基于上述两点，提出一种新的多特征融合网络作为编码器主体结构。结果表明，基于 LSPC 的所提特征融合网络相比使用 LSPC 的单特征（Fbank 特征与 Spectrogram 特征）提取，词错率再次提升 0.82% 和 1.94%。我们的模型取得了与先进端到端模型相当的性能。
引用
@article{arxiv.2303.12300,
title = {Exploring Turkish Speech Recognition via Hybrid CTC/Attention Architecture and Multi-feature Fusion Network},
author = {Zeyu Ren and Nurmement Yolwas and Huiru Wang and Wushour Slamu},
journal= {arXiv preprint arXiv:2303.12300},
year = {2023}
}