MFA-KWS：基于多头帧异步解码的有效关键词检索
音频与语音处理
2025-07-01 v3 声音
摘要
关键词检索（KWS）对于语音驱动的应用至关重要，要求兼顾准确性与效率。传统的基于 ASR 的 KWS 方法（如贪婪搜索和束搜索）在探索整个搜索空间时未明确优先考虑关键词检测，常导致次优性能。在本文中，我们通过引入一个面向流的 CTC-Transducer 结合的帧异步系统，并采用多头帧异步解码（MFA-KWS），提出了一种有效的特定关键词 KWS 框架。具体而言，MFA-KWS 对 CTC 采用特定关键词的音素同步解码，并用 Token-and-Duration Transducer 替换传统的 RNN-T，以同时提升性能和效率。此外，我们探索了各种分数融合策略，包括基于单帧和基于一致性的方法。大量实验证明了 MFA-KWS 的优越性能，它在固定关键词和任意关键词数据集（如 Snips、MobvoiHotwords 和 LibriKWS-20）上均取得了 SOTA 结果，同时在嘈杂环境中表现出强鲁棒性。在各种融合策略中，基于一致性的 CDC-Last 方法提供了最佳性能。此外，与帧同步基线相比，MFA-KWS 在各种数据集上实现了 47% 至 63% 的加速。大量实验结果证实，MFA-KWS 是一个有效且高效的 KWS 框架，非常适合设备端部署。
引用
@article{arxiv.2505.19577,
title = {MFA-KWS: Effective Keyword Spotting with Multi-head Frame-asynchronous Decoding},
author = {Yu Xi and Haoyu Li and Xiaoyu Gu and Yidi Jiang and Kai Yu},
journal= {arXiv preprint arXiv:2505.19577},
year = {2025}
}
备注
Accepted by TASLP