基于置换不变训练的多说话人语音识别
声音
2018-12-06 v4 机器学习
音频与语音处理
摘要
在本文中，我们提出了一种新技术，在给定单通道混合语音的情况下直接识别多个语音流，而无需先将它们分离。我们的技术基于用于自动语音识别（ASR）的置换不变训练（PIT）。在 PIT-ASR 中，我们针对每个可能的输出-目标分配计算整个话语中所有帧的平均交叉熵（CE），选取具有最小 CE 的分配，并针对该分配进行优化。PIT-ASR 强制同一说话人的所有帧与同一输出层对齐。该策略优雅地一次性解决了标签置换问题和说话人追踪问题。我们在人工混合的 AMI 数据上的实验表明，所提出的方法非常有前景。
引用
@article{arxiv.1704.01985,
title = {Recognizing Multi-talker Speech with Permutation Invariant Training},
author = {Dong Yu and Xuankai Chang and Yanmin Qian},
journal= {arXiv preprint arXiv:1704.01985},
year = {2018}
}
备注
5 pages, 6 figures, InterSpeech2017