重新审视鲁棒 ASR 的声学特征

自动语音识别（ASR）系统必须对真实世界环境中存在的各种噪声具有鲁棒性，包括环境噪声、房间脉冲响应、特殊效果以及恶意行为者的攻击（对抗攻击）。近期的工作试图通过开发新型深度神经网络（DNN）并为它们策划多样化的训练数据集来提高准确性和鲁棒性，同时使用相对简单的声学特征。虽然这种方法提高了对训练数据中存在的噪声类型的鲁棒性，但它对未见噪声的鲁棒性有限，对对抗攻击的鲁棒性微乎其微。在本文中，我们重新审视早期工作的方法，开发受生物听觉感知启发的声学特征，可用于执行准确且鲁棒的 ASR。具体而言，我们评估了几种受生物学启发的声学特征的 ASR 准确性和鲁棒性。除了先前工作中的几种特征（如伽马通滤波器组特征（GammSpec））外，我们还提出了两种新的声学特征，称为频率掩蔽频谱图（FreqMask）和伽马通差分频谱图（DoGSpec），以模拟频率掩蔽和侧抑制的神经心理现象。在多样化模型和数据集上的实验表明：（1）DoGSpec 在准确率损失极小的情况下，实现了比高度流行的对数梅尔频谱图（LogMelSpec）显著更好的鲁棒性；（2）GammSpec 在 Speech Robust Bench 基准测试中对非对抗性噪声实现了更好的准确性和鲁棒性，但在对抗攻击下其表现不如 DoGSpec。