基于大规模语音识别的构音障碍语音中不恰当停顿检测

构音障碍是中风患者中常见的问题，严重影响语音可懂度。不恰当停顿是严重程度评估和言语语言治疗的关键指标。我们提出扩展大规模语音识别模型，用于检测构音障碍语音中的不恰当停顿。为此，我们提出了任务设计、标注策略以及带有不恰当停顿预测层的语音识别模型。首先，我们将停顿检测视为语音识别任务，利用自动语音识别（ASR）模型将语音转换为带有停顿标签的文本。根据新设计的任务，我们在文本层面标注停顿位置及其恰当性。我们与言语语言病理学家合作建立标注标准，以确保高质量的标注数据。最后，我们在 ASR 模型基础上扩展了不恰当停顿预测层，实现端到端的不恰当停顿检测。此外，我们提出了一种针对该任务的评估指标，用于独立于 ASR 性能评估不恰当停顿检测。实验表明，所提方法在检测构音障碍语音中的不恰当停顿方面优于基线方法（不恰当停顿错误率为 14.47%）。