序列端到端意图与槽标签分类及定位
计算与语言
2021-06-10 v1 声音
音频与语音处理
摘要
人机交互（HCI）受到口语对话系统延迟响应的显著影响。因此，近期提出了端到端（e2e）口语语言理解（SLU）方案以降低延迟。此类方法允许直接从语音信号中提取语义信息，从而绕过对自动语音识别（ASR）系统转录文本的需求。本文中，我们提出了一种用于流式场景的紧凑型 e2e SLU 架构，其中语音信号的分块被连续处理以预测意图和槽值。我们的模型基于三维卷积神经网络（3D-CNN）和单向长短期记忆（LSTM）。我们比较了两种无对齐损失的性能：连接主义时序分类（CTC）方法及其适配版本，即连接主义时序定位（CTL）。后者不仅执行分类，还执行序列音频事件的定位。所提出的方案在 Fluent Speech Command 数据集上进行了评估，结果表明我们的模型能够处理输入语音信号，在单标签分类上 CTC 准确率达 98.97%、CTL 达 98.78%，在双标签预测上 CTC 达 95.69%、CTL 达 95.28%。
引用
@article{arxiv.2106.04660,
title = {Sequential End-to-End Intent and Slot Label Classification and Localization},
author = {Yiran Cao and Nihal Potdar and Anderson R. Avila},
journal= {arXiv preprint arXiv:2106.04660},
year = {2021}
}
备注
Accepted at Interspeech 2021