学习不歧视：用于改进单语与语码转换语音识别的任务无关学习
音频与语音处理
2020-06-11 v1 计算与语言
声音
摘要
由于包括缺乏语码转换训练数据在内的多种原因，识别语码转换语音对自动语音识别(ASR)而言具有挑战性。最近，我们表明在语码转换数据上微调的单语ASR系统在单语语音识别上的性能会退化，这是不理想的，因为部署于多语言场景的ASR系统应以高精度识别单语与语码转换语音。我们的实验表明，这种性能损失可通过使用特定微调与正则化策略来缓解，从而改进单语与语码转换ASR。在本工作中，我们通过使用域对抗学习来训练任务无关模型，取得了优于先前工作的进一步改进。我们评估了对抗判别器的分类准确率，并表明其能够学习任务无关的共享层参数。我们训练端到端ASR系统，从一个使用单语与语码转换数据及对抗判别器的池化模型开始。我们提出的技术在三个语言对的单语与语码转换测试集上降低了词错误率(WER)。
引用
@article{arxiv.2006.05257,
title = {Learning not to Discriminate: Task Agnostic Learning for Improving Monolingual and Code-switched Speech Recognition},
author = {Gurunath Reddy Madhumani and Sanket Shah and Basil Abraham and Vikas Joshi and Sunayana Sitaram},
journal= {arXiv preprint arXiv:2006.05257},
year = {2020}
}
备注
5 pages (4 pages + 1 reference), 3 tables, 2 figures