由跨层判别一致性增强的流式关键词检索
音频与语音处理
2024-12-25 v2 声音
摘要
联结时序分类（CTC）作为一种非自回归训练准则，被广泛应用于在线关键词检索（KWS）。然而，现有的基于 CTC 的 KWS 解码策略要么依赖自动语音识别（ASR），由于其在声学空间上进行广泛搜索且缺乏针对关键词的优化，导致性能不佳；要么依赖 KWS 专用的解码图，其实现和维护十分复杂。在本工作中，我们提出了一种由跨层判别一致性（CDC）增强的流式解码算法，专为基于 CTC 的 KWS 量身定制。具体而言，我们引入了一种精简而有效的解码算法，能够检测任意位置上关键词的起始。此外，我们利用跨层的判别一致性信息来更好地区分正样本与误报样本。我们在干净和含噪的 Hey Snips 数据集上的实验表明，所提出的流式解码策略优于基于 ASR 和基于图的 KWS 基线。CDC 增强的解码进一步提升了性能，与基于图的 KWS 基线相比，平均绝对召回率提升了 6.8%，漏报率相对降低了 46.3%，同时误报率保持在极低的每小时 0.05 次。
引用
@article{arxiv.2412.12635,
title = {Streaming Keyword Spotting Boosted by Cross-layer Discrimination Consistency},
author = {Yu Xi and Haoyu Li and Xiaoyu Gu and Hao Li and Yidi Jiang and Kai Yu},
journal= {arXiv preprint arXiv:2412.12635},
year = {2024}
}
备注
Accepted by ICASSP2025