SAN：一种鲁棒的端到端自动语音识别模型架构
声音
2022-10-28 v1 计算与语言
音频与语音处理
摘要
本文提出了一种用于自动语音识别的新型孪生对抗网络（SAN）架构，旨在解决模糊音频识别的难题。具体而言，SAN 构建了两个子网络来区分音频特征输入，然后引入一个损失函数来统一这些子网络的输出分布。对抗学习使网络能够捕获更本质的声学特征，并帮助模型在遇到模糊音频输入时取得更好的性能。我们在多个数据集上对 SAN 模型进行了自动语音识别任务的数值实验。所有实验结果表明，孪生对抗网络显著降低了字符错误率（CER）。具体来说，我们在 AISHELL-1 数据集上，在不使用语言模型的情况下，达到了 4.37 的最新 CER，这带来了约 5% 的相对 CER 降低。为了揭示孪生对抗网络的通用性，我们还进行了音素识别任务的实验，结果同样显示了孪生对抗网络的优越性。
引用
@article{arxiv.2210.15285,
title = {SAN: a robust end-to-end ASR model architecture},
author = {Zeping Min and Qian Ge and Guanhua Huang},
journal= {arXiv preprint arXiv:2210.15285},
year = {2022}
}