语音识别中长短期记忆语言模型的格图重打分策略
机器学习
2017-11-16 v1 计算与语言
机器学习
摘要
循环神经网络（RNN）语言模型（LM）及其变体长短期记忆（LSTM）LM 已被证明在语音识别任务上优于传统 N-gram LM。然而，这些模型在解码时比 N-gram LM 计算开销更大，因而难以集成到语音识别器中。近期研究提出使用基于 RNNLM 与 LSTMLM 的格图重打分算法，作为将这些模型高效集成到语音识别系统的策略。本文在一个 YouTube 语音识别任务上评估了已有的格图重打分算法及新变体。使用 LSTMLM 的格图重打分将该任务的词错误率（WER）相对于使用 N-gram LM 所得 WER 相对降低了 8%。
引用
@article{arxiv.1711.05448,
title = {Lattice Rescoring Strategies for Long Short Term Memory Language Models in Speech Recognition},
author = {Shankar Kumar and Michael Nirschl and Daniel Holtmann-Rice and Hank Liao and Ananda Theertha Suresh and Felix Yu},
journal= {arXiv preprint arXiv:1711.05448},
year = {2017}
}
备注
Accepted at ASRU 2017