音频词向量的语言迁移：在无目标语言数据下学习音频片段表征
计算与语言
2018-02-20 v1 机器学习
摘要
音频词向量（Audio Word2Vec）利用序列到序列自编码器（SA）为可变长度的音频片段提供固定维度的向量表征。这些向量表征能够较好地描述音频片段的序列语音结构，并已应用于基于样例查询的口语词检测（STD）等现实任务。本文考察了音频词向量的语言迁移能力。我们使用一种语言（源语言）训练 SA，并将其用于提取另一种语言（目标语言）音频片段的向量表征。我们发现，若源语言与目标语言相似，SA 仍能从目标语言的音频片段中捕捉语音结构。在基于样例查询的 STD 中，我们从大量源语言数据学习得到的 SA 中获取向量表征，发现这些表征优于从少量目标语言数据直接学习的朴素编码器和 SA 表征。结果表明，从高资源语言学习音频词向量模型并将其用于低资源语言是可行的，这进一步拓展了音频词向量的可用性。
引用
@article{arxiv.1707.06519,
title = {Language Transfer of Audio Word2Vec: Learning Audio Segment Representations without Target Language Data},
author = {Chia-Hao Shen and Janet Y. Sung and Hung-Yi Lee},
journal= {arXiv preprint arXiv:1707.06519},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1603.00982