TDT-KWS：使用词元-时长转录器实现快速准确的唤醒词检测
音频与语音处理
2024-03-21 v1 声音
摘要
设计一个在资源受限的边缘设备上表现出色的高效唤醒词检测系统长期以来一直备受关注。现有的唤醒词检测搜索算法通常采用帧同步方法，即尽管大多数帧与唤醒词无关，但搜索决策在每个帧上重复进行。在本文中，我们提出了TDT-KWS，它利用词元-时长转录器（TDT）来完成唤醒词检测任务。我们还提出了一种新颖的、针对唤醒词检测任务的、基于转录器模型的解码算法，该算法支持在流式语音场景中进行高效的帧异步唤醒词搜索。通过在公开的Hey Snips和自建的LibriKWS-20数据集上进行的评估，我们提出的唤醒词检测解码算法比传统的自动语音识别解码算法产生了更准确的结果。此外，TDT-KWS在唤醒词检测性能上与RNN-T和传统的TDT-ASR系统相当或更好，同时实现了显著的推理加速。此外，实验表明，与RNN-T唤醒词检测相比，TDT-KWS对噪声环境更具鲁棒性。
引用
@article{arxiv.2403.13332,
title = {TDT-KWS: Fast And Accurate Keyword Spotting Using Token-and-duration Transducer},
author = {Yu Xi and Hao Li and Baochen Yang and Haoyu Li and Hainan Xu and Kai Yu},
journal= {arXiv preprint arXiv:2403.13332},
year = {2024}
}
备注
Accepted by ICASSP2024