基于最优传输的可解释构音障碍说话人自适应

本工作针对构音障碍语音识别这一挑战性场景中的训练数据（源）与测试数据（目标）分布失配问题。我们关注指令语音识别中的说话人自适应（SA），其中可获得多个源（即多个说话人）的数据。具体而言，我们提出一种基于最优传输的无监督多源域自适应（MSDA）算法，称为基于加权联合最优传输的多源域自适应（MSDA-WJDOT）。相较于说话人无关模型与最佳竞争方法，我们分别实现了指令错误率相对降低 16% 与 7%。所提方法的优势在于，与现有任何其他 SA 方法不同，它提供了一个可解释模型，在此场景下亦可被用于无需任何专门训练的构音障碍诊断。事实上，它给出了目标说话人与源说话人之间的贴近度度量，反映了二者在语音特征上的相似性。基于目标说话人与健康/构音障碍源说话人的相似性，我们进而定义目标说话人的健康/构音障碍分数，并借此进行构音障碍检测。该方法无需额外训练，在构音障碍诊断中达到 95% 的准确率。