面向移动设备实时关键词 spotting 的时间卷积
声音
2019-11-19 v2 机器学习
神经与进化计算
音频与语音处理
摘要
关键词 spotting（KWS）在赋能智能设备基于语音的用户交互中起着关键作用。深度学习领域近期的发展使得卷积神经网络（CNN）因其在准确性和鲁棒性上的出色表现而被广泛采用于KWS系统。KWS系统面临的主要挑战是高精度与低延迟之间的权衡。遗憾的是，关于移动设备上KWS模型实际延迟的定量分析很少。这一点尤其令人担忧，因为传统的基于卷积的KWS方法已知需要大量运算才能达到足够的性能水平。本文中，我们提出了一种用于移动设备实时KWS的时间卷积。与大多数需要深层架构以充分捕获低频和高频域的基于2D卷积的KWS方法不同，我们利用具有紧凑ResNet架构的时间卷积。在Google Speech Command Dataset上，我们在Google Pixel 1上实现了超过385倍的加速，并且准确率超越了state-of-the-art模型。此外，我们发布了所提出模型与基线模型的实现，包括用于在移动设备上训练模型并评估模型的端到端流程。
引用
@article{arxiv.1904.03814,
title = {Temporal Convolution for Real-time Keyword Spotting on Mobile Devices},
author = {Seungwoo Choi and Seokjun Seo and Beomjun Shin and Hyeongmin Byun and Martin Kersner and Beomsu Kim and Dongyoung Kim and Sungjoo Ha},
journal= {arXiv preprint arXiv:1904.03814},
year = {2019}
}
备注
In INTERSPEECH 2019