以少量样本教关键词 spotting 模型识别新关键词

仅用少量样本学习识别新关键词，对于将关键词 spotting（KWS）模型个性化至用户所选关键词至关重要。然而，现代 KWS 模型通常在大型数据集上训练且局限于小规模关键词词表，限制了它们向广泛未见关键词的迁移能力。为迈向易定制的 KWS 模型，我们提出 KeySEM（Keyword Speech EMbedding，关键词语音嵌入），一种在识别大量关键词任务上预训练的语音嵌入模型。KeySEM 提供的语音表示对于从有限样本学习新关键词极为有效。在多个数据集上与各类相关工作的比较表明，我们的方法以更少训练样本取得了一致更优的性能。尽管 KeySEM 仅以英语语音预训练，性能提升也延伸至其他四种语言的数据集，表明 KeySEM 学到了与关键词 spotting 任务高度对齐的有用表示。最后，我们展示了 KeySEM 顺序学习新关键词的能力，无需在已学关键词上重新训练。我们的实验观察表明，KeySEM 非常适用于设备端环境，其中部署后学习与易定制常为所需。