即插即用多语言少样本语音词识别

随着技术进步与数字设备普及，无缝人机通信日益重要。移动、可穿戴及其他物联网（IoT）设备的广泛采用改变了我们与这些智能设备的交互方式，使得准确的语音词识别成为有效交互的关键组件。然而，构建能处理新关键词的鲁棒语音词检测系统仍具挑战，尤其对于训练数据有限的低资源语言。在此，我们提出PLiX，一个多语言、即插即用的关键词 spotting 系统，其利用少样本学习挖掘海量真实世界数据，并在测试时识别未见语音词。我们的少样本深度模型使用跨20种语言的数百万个一秒音频片段学习，在取得最先进性能的同时高度高效。广泛评估表明，PLiX仅需一个支持样本即可泛化至新语音词，并对未见语言开箱即用表现良好。我们发布模型与推理代码，以作为未来研究及新兴设备语音用户界面开发的基础。