测量语音转换在说话人识别与自动语音识别系统上的有效性
音频与语音处理
2019-05-30 v1
摘要
本文评估了基于Cycle-GAN的语音转换器（VC）在四个说话人识别（SID）系统和一个自动语音识别（ASR）系统上用于多种目的的有效性。由VC模型转换的音频样本在超过250个说话人中被SID系统分类为预期目标，top-1准确率高达46%。这一在模仿目标风格上的令人鼓舞的结果促使我们研究转换（合成）样本是否可用于改进ASR训练。不幸的是，将合成数据添加到ASR训练集中仅边际改善了词错误率和字符错误率。我们的结果表明，即使VC模型能如SID系统所度量的那样成功模仿目标说话人的风格，利用VC系统的合成数据改进ASR训练仍需进一步研究以确立其有效性。
引用
@article{arxiv.1905.12531,
title = {Measuring the Effectiveness of Voice Conversion on Speaker Identification and Automatic Speech Recognition Systems},
author = {Gokce Keskin and Tyler Lee and Cory Stephenson and Oguz H. Elibol},
journal= {arXiv preprint arXiv:1905.12531},
year = {2019}
}
备注
Accepted for publication at ICML 2019 Synthetic Realities: Workshop on Detecting Audio-Visual Fakes