面向 Transformer Transducer 语音识别的说话人变更检测
音频与语音处理
2023-02-20 v1 声音
摘要
说话人变更检测（SCD）是一项重要功能，它通过在说话人变更点将词序列切分为段落，从而提高自动语音识别（ASR）系统所识别词的可读性。现有的 SCD 方案要么需要额外的集成来处理基于时间的决策和已识别词序列，要么在 ASR 与 SCD 之间实现紧耦合，限制了两项任务潜在的最优性能。为解决这些问题，我们提出一种用于 SCD 任务的新颖框架，其中在现有 Transformer Transducer ASR（TT-ASR）网络之上构建一个额外的 SCD 模块。该框架中探索了 SCD 网络的两种变体，可自然估计每个词的说话人变更概率，同时允许 ASR 和 SCD 采用独立的优化方案以获得最佳性能。实验表明，与联合 SCD 和 ASR 基线相比，我们的方法在 LibriCSS 和微软呼叫中心数据集上能显著提升 F1 分数，且 ASR 性能不退化。
引用
@article{arxiv.2302.08549,
title = {Speaker Change Detection for Transformer Transducer ASR},
author = {Jian Wu and Zhuo Chen and Min Hu and Xiong Xiao and Jinyu Li},
journal= {arXiv preprint arXiv:2302.08549},
year = {2023}
}
备注
5 pages, 1 figure, accepted by ICASSP 2023