自动语音识别中的数值表达式处理
音频与语音处理
2025-06-24 v2 人工智能
计算与语言
摘要
本文解决了在自动语音识别 (ASR) 转录中正确格式化数值表达式的问题。由于预期转录格式取决于上下文，例如 1945（年份）与 19:45（时间戳）不同，因此这一问题具有挑战性。我们比较了级联式方法和端到端方法，以识别和格式化此类数值表达式，包括年份、时间戳、货币金额和数量。对于端到端方法，我们采用基于大型语言模型 (LLM) 的数据生成策略，结合语音合成 (TTS) 模型，以生成适配数据。我们在测试数据集上的结果表明，虽然基于 LLM 的方法在识别格式化数值表达式方面表现良好，但适配后的端到端模型在性能上具有竞争力，同时具有更低的延迟和推理成本优势。
引用
@article{arxiv.2408.00004,
title = {Handling Numeric Expressions in Automatic Speech Recognition},
author = {Christian Huber and Alexander Waibel},
journal= {arXiv preprint arXiv:2408.00004},
year = {2025}
}