面向音频-文本关键词检测的关系代理损失

近年来，用户便利性的提高推动了关注文本输入关键词注册系统（关键词检测，KWS）的问题。由于该系统在注册阶段使用文本输入，在实际使用时使用音频输入，我们称此任务为音频-文本 KWS。为实现此任务，通常会使用深度度量学习损失函数（如三元组损失和代理损失）训练声学编码器和文本编码器。本研究旨在通过利用声学嵌入和文本嵌入内部的结构关系来改进现有方法。不同于以往仅在点对点基础上比较声学和文本嵌入的研究，本文的做法聚焦于嵌入空间中的关系结构，提出了关系代理损失（Relational Proxy Loss，RPL）的概念。通过引入 RPL，我们在 Wall Street Journal（WSJ）语料库上实现了性能提升。