CAPIO 2017 对话语音识别系统
计算与语言
2018-04-11 v2
摘要
在本文中，我们展示了如何在工业标准的 NIST 2000 Hub5 英语评测集上取得最先进（state-of-the-art, SOTA）的性能。我们探索了密集连接 LSTM，其灵感来自近期为图像分类任务引入的密集连接卷积网络。我们还提出了一种声学模型自适应方案，简单地对种子神经网络声学模型及其自适应版本的参数取平均。该方法应用于 CallHome 训练语料库，相对于评测集的 CallHome 部分平均提升了 6.1%（相对）的个体系统性能，且在 Switchboard 部分无性能损失。通过对跨三种不同音素集训练的 5 个系统进行 RNN-LM 重打分和词格组合，我们的 2017 语音识别系统在 Switchboard 和 CallHome 上分别取得了 5.0% 和 9.1% 的词错误率，二者均为迄今报道的最佳词错误率。根据 IBM 在其最新比较人类与机器转写的工作中，我们所报道的 Switchboard 词错误率可被认为超越了转写对话电话语音的人类 parity（5.1%）。
引用
@article{arxiv.1801.00059,
title = {The CAPIO 2017 Conversational Speech Recognition System},
author = {Kyu J. Han and Akshay Chandrashekaran and Jungsuk Kim and Ian Lane},
journal= {arXiv preprint arXiv:1801.00059},
year = {2018}
}
备注
8 page, 3 figures, 8 tables; extra experimental results added