PhasePerturbation：面向自动语音识别的相位扰动语音数据增强
声音
2023-12-15 v1 人工智能
音频与语音处理
摘要
当前大多数语音数据增强方法作用于语音的原始波形或幅度谱。在本文中，我们提出了一种名为 PhasePerturbation 的新型语音数据增强方法，该方法动态作用于语音的相位谱。PhasePerturbation 不再以恒定角度静态旋转相位，而是采用三种动态相位谱操作，即随机化操作、频率掩蔽操作和时间掩蔽操作，以增强语音数据的多样性。我们在 wav2vec2.0 预训练 ASR 模型上进行了实验，使用经过 PhasePerturbation 增强的 TIMIT 语料库对其进行微调。实验结果表明，与未使用任何增强操作微调的基线模型相比，词错误率（WER）相对降低了 10.9%。此外，该方法与声道长度扰动（VTLP）和 SpecAug 这两种基于幅度谱的增强方法相结合，在 WER 上获得了进一步的提升（12.9% 和 15.9%）。结果突显了 PhasePerturbation 改进当前基于幅度谱的增强方法的能力。
关键词
引用
@article{arxiv.2312.08571,
title = {PhasePerturbation: Speech Data Augmentation via Phase Perturbation for Automatic Speech Recognition},
author = {Chengxi Lei and Satwinder Singh and Feng Hou and Xiaoyun Jia and Ruili Wang},
journal= {arXiv preprint arXiv:2312.08571},
year = {2023}
}