基于自监督与半监督学习的大规模ASR领域自适应
音频与语音处理
2022-02-17 v5 计算与语言
机器学习
声音
摘要
自监督与半监督学习方法已被积极研究，以减少标注训练数据或提升模型性能。然而，这些方法大多聚焦于公开数据集上的领域内性能。在本研究中，我们利用自监督与半监督学习方法的组合，解决大规模生产环境下在线ASR模型的未知领域自适应问题。该方法表明，使用源域数据加上一小部分目标域数据（3%）即可弥补与全量数据基线的性能差距：目标域数据相对词错率（WER）提升13.5%。
引用
@article{arxiv.2110.00165,
title = {Large-scale ASR Domain Adaptation using Self- and Semi-supervised Learning},
author = {Dongseong Hwang and Ananya Misra and Zhouyuan Huo and Nikhil Siddhartha and Shefali Garg and David Qiu and Khe Chai Sim and Trevor Strohman and Françoise Beaufays and Yanzhang He},
journal= {arXiv preprint arXiv:2110.00165},
year = {2022}
}
备注
ICASSP 2022 accepted, 5 pages, 2 figures, 5 tables