MT-HuBERT：基于混合训练的自监督少样本关键词定位
声音
2025-11-11 v1
摘要
少样本关键词定位旨在检测极少标记样本的未知关键词。通常采用预训练和适应范式。虽然在干净条件下有效，但大多数现有方法在混合关键词定位——检测单个语音中多个重叠关键词——方面难以应对，这是实际应用中必不可少的能力。我们之前提出了基于混合训练（MT）的预训练方法，旨在解决混合关键词检测问题，已证明其有效性。然而，该方法是完全监督的，无法利用大量无标签数据。为此，我们提出混合训练HuBERT（MT-HuBERT），一种在预训练期间实现MT准则的自监督学习（SSL）框架。MT-HuBERT以自监督方式预测来自上下文线索的每个组成信号的干净声学单元，与预测混合语音的组成模式不同。在Google Speech Commands（GSC v2）语料库上进行的实验表明，在混合和干净条件下的少样本关键词定位任务中，所提出的MT-HuBERT consistently优于多个最先进的基线方法。
引用
@article{arxiv.2511.06296,
title = {MT-HuBERT: Self-Supervised Mix-Training for Few-Shot Keyword Spotting in Mixed Speech},
author = {Junming Yuan and Ying Shi and Dong Wang and Lantian Li and Askar Hamdulla},
journal= {arXiv preprint arXiv:2511.06296},
year = {2025}
}