推进非自回归语音识别的极限
音频与语音处理
2021-09-14 v4 计算与语言
机器学习
声音
摘要
我们将端到端语音识别的最新进展结合到非自回归自动语音识别中。我们推进了多个数据集上非自回归最先进结果的极限：LibriSpeech、Fisher+Switchboard和Wall Street Journal。我们方法的关键在于，我们在巨型Conformer神经网络架构上利用CTC，并结合SpecAugment和wav2vec2预训练。我们在LibriSpeech test/test-other集上取得1.8%/3.6%的WER，在Switchboard上取得5.1%/9.8%的WER，在Wall Street Journal上取得3.4%的WER，且均无需语言模型。
引用
@article{arxiv.2104.03416,
title = {Pushing the Limits of Non-Autoregressive Speech Recognition},
author = {Edwin G. Ng and Chung-Cheng Chiu and Yu Zhang and William Chan},
journal= {arXiv preprint arXiv:2104.03416},
year = {2021}
}
备注
Proceedings of INTERSPEECH