SpecAugment：一种用于自动语音识别的简单数据增强方法
音频与语音处理
2019-12-04 v3 计算与语言
机器学习
声音
机器学习
摘要
我们提出 SpecAugment，一种用于语音识别的简单数据增强方法。SpecAugment 直接应用于神经网络的输入特征（即滤波器组系数）。该增强策略包括对特征进行扭曲、掩蔽频率通道块以及掩蔽时间步块。我们将 SpecAugment 应用于 Listen, Attend and Spell 网络以完成端到端语音识别任务。我们在 LibriSpeech 960h 和 Switchboard 300h 任务上取得了最先进的性能，优于所有先前工作。在 LibriSpeech 上，我们在不使用语言模型的情况下于 test-other 上取得 6.8% 的 WER，在与语言模型进行浅融合时取得 5.8% 的 WER。相比之下，先前最先进的混合系统 WER 为 7.5%。对于 Switchboard，我们在不使用语言模型的情况下于 Hub5'00 测试集的 Switchboard/CallHome 部分取得 7.2%/14.6%，在浅融合下取得 6.8%/14.1%，而先前最先进的混合系统为 8.3%/17.3% 的 WER。
引用
@article{arxiv.1904.08779,
title = {SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition},
author = {Daniel S. Park and William Chan and Yu Zhang and Chung-Cheng Chiu and Barret Zoph and Ekin D. Cubuk and Quoc V. Le},
journal= {arXiv preprint arXiv:1904.08779},
year = {2019}
}
备注
5 pages, 3 figures, 6 tables; v3: references added