通过多任务学习的个性化关键词 spotting
声音
2022-06-29 v1 机器学习
音频与语音处理
摘要
关键词 spotting（KWS）在智能设备上实现基于语音的用户交互中起着关键作用，传统KWS（C-KWS）方法集中于检测与用户无关预定义关键词。然而实践中，多数用户交互来自设备上已注册的目标用户，这促使了个性化关键词 spotting 的构建。我们设计了两项个性化KWS任务：（1）目标用户偏置KWS（TB-KWS）与（2）仅目标用户KWS（TO-KWS）。为解决这些任务，我们提出通过多任务学习（PK-MTL）的个性化关键词 spotting，由多任务学习与任务适配组成。首先，我们将多任务学习应用于关键词 spotting 与说话人验证，以将用户信息引入关键词 spotting 系统。接着，我们设计任务特定打分函数以充分适配个性化KWS任务。我们在常规与个性化场景下评估框架，结果显示PK-MTL可大幅降低误报率，尤其在多种实际场景中。
引用
@article{arxiv.2206.13708,
title = {Personalized Keyword Spotting through Multi-task Learning},
author = {Seunghan Yang and Byeonggeun Kim and Inseop Chung and Simyung Chang},
journal= {arXiv preprint arXiv:2206.13708},
year = {2022}
}
备注
Proceedings of INTERSPEECH 2022