利用语音关联三元组网络学习声学词嵌入
音频与语音处理
2018-11-29 v3 人工智能
计算与语言
声音
信号处理
摘要
先前关于用于按例查询语音词检测中的声学词嵌入的研究表明，使用三元组网络时性能有显著提升。然而，三元组网络仅利用词间声学相似性的有限信息进行训练。本文提出一种新颖架构，即语音关联三元组网络(PATN)，旨在通过利用语音信息及词身份来增强声学词嵌入的判别力。所提模型通过学习最小化组合损失函数进行优化，该损失函数由在基于LSTM的三元组网络下层引入交叉熵损失构成。我们观察到，在WSJ数据集的词判别任务上，所提方法显著优于基线三元组网络，在每小时1.0次误警下召回率相对提升超过20%。最后，我们通过在RM数据集上进行域外测试检验了泛化能力。
引用
@article{arxiv.1811.02736,
title = {Learning acoustic word embeddings with phonetically associated triplet network},
author = {Hyungjun Lim and Younggwan Kim and Youngmoon Jung and Myunghun Jung and Hoirin Kim},
journal= {arXiv preprint arXiv:1811.02736},
year = {2018}
}
备注
5 pages, 4 figures, submitted to ICASSP 2019