基于 Scaling Sparsemax 的大规模自组织麦克风阵列语音识别信道选择

近年来，自组织麦克风阵列的语音识别受到广泛关注。已知信道选择是自组织麦克风阵列的一个重要问题，然而该课题在语音识别中似乎远未被充分探索，尤其是针对大规模自组织麦克风阵列。为解决此问题，我们提出一种 Scaling Sparsemax 算法，用于大规模自组织麦克风阵列语音识别的信道选择问题。具体而言，我们首先将多通道端到端语音识别系统流注意力机制中的常规 Softmax 算子替换为 Sparsemax，其通过将噪声信道的信道权重置零来进行信道选择。由于 Sparsemax 将许多信道权重严苛地惩罚为零，我们提出 Scaling Sparsemax，其仅将极噪信道的权重置零，从而温和地惩罚信道。在 conformer 语音识别架构下，使用超过 30 通道的自组织麦克风阵列的实验结果表明，在信道数匹配与不匹配的测试场景中，所提 Scaling Sparsemax 在仿真数据集上比 Softmax 的词错率低逾 30%，在半真实数据集上低逾 20%。