语音搜索错误纠正的声学增强判别性 rescoring
计算与语言
2025-06-09 v1 人工智能
信息检索
摘要
端到端（E2E）自动语音识别（ASR）模型是使用成本高昂的配对音频-文本样本进行训练的，后者需要人工标注员提供高质量的ground-truth数据。语音搜索应用（如数字媒体播放器）利用ASR允许用户通过语音进行搜索，而非使用屏幕键盘。然而，近期或不频繁出现的电影标题可能在E2E ASR系统的训练数据中代表不足，因而 suffer poor recognition。本文提出了语音纠正系统，包括（a）基于ASR模型输出的语音搜索，以生成ASR系统可能不考虑的语音备选方案；以及（b）rescorer组件，将ASR模型识别与语音备选方案组合，并选择最终系统输出。我们发现，我们的方法在流行电影标题的benchmark上相对于一系列竞争性baseline实现了4.4%至7.6%的相对词错误率（word error rate）改进。
引用
@article{arxiv.2506.06117,
title = {Phonetically-Augmented Discriminative Rescoring for Voice Search Error Correction},
author = {Christophe Van Gysel and Maggie Wu and Lyan Verwimp and Caglar Tirkaz and Marco Bertola and Zhihong Lei and Youssef Oualil},
journal= {arXiv preprint arXiv:2506.06117},
year = {2025}
}
备注
To appear at Interspeech '25