自监督模型用于音素识别：儿童语音阅读学习的应用
声音
2025-03-07 v1 人工智能
音频与语音处理
摘要
儿童语音识别仍是研究中未得到充分发展的领域，主要due于数据匮乏（尤其是非英语语言）以及该任务的特殊困难。虽然我们在前期工作中探索了多种儿童语音识别架构，但本文聚焦于最新的自监督模型。我们首先比较了 wav2vec 2.0、HuBERT 和 WavLM 模型在法语儿童语音中的音素识别适应情况，随后选取表现最佳的 WavLM base+ 模型继续实验。进一步通过在微调儿童语音时解冻其 Transformer 块，显著提升了模型性能，使其相较于基于 Transformer+CTC 的基线模型表现大幅超越。最后我们详细研究了这两种模型在实际应用场景下的行为，表明 WavLM base+ 在各种阅读任务和噪声水平下鲁棒性更强。
引用
@article{arxiv.2503.04710,
title = {Self-Supervised Models for Phoneme Recognition: Applications in Children's Speech for Reading Learning},
author = {Lucas Block Medin and Thomas Pellegrini and Lucile Gelin},
journal= {arXiv preprint arXiv:2503.04710},
year = {2025}
}
备注
This paper was originally published in the Proceedings of Interspeech 2024. DOI: 10.21437/Interspeech.2024-1095