基于度量学习与音素到嵌入映射的多语种示例查询关键词 spotting
音频与语音处理
2023-04-20 v1
摘要
本文提出一种基于残差神经网络的多语种示例查询关键词 spotting (KWS) 系统。该模型在从Common Voice语句中提取的多语种关键词数据集上作为分类器训练，并使用circle loss微调。我们展示了模型对新语言的泛化能力，并报告与竞争性基线相比，对已见语言的EER平均降低59.2%，对未见语言降低47.9%。我们表明，KWS模型学习到的词嵌入可通过简单LSTM模型从音素序列准确预测。我们的系统在使用每关键词仅5个示例的Common Voice音频上实现了有前景的流式关键词 spotting与关键词搜索精度。在Hey-Snips数据集上的实验显示出良好性能，在每小时仅0.1次误报下假负率为5.4%。
引用
@article{arxiv.2304.09585,
title = {Multilingual Query-by-Example Keyword Spotting with Metric Learning and Phoneme-to-Embedding Mapping},
author = {Paul M. Reuter and Christian Rollwage and Bernd T. Meyer},
journal= {arXiv preprint arXiv:2304.09585},
year = {2023}
}
备注
Accepted to ICASSP 2023