通过对抗学习进行无监督域自适应以实现鲁棒语音识别
音频与语音处理
2018-07-31 v1 人工智能
计算与语言
声音
摘要
本文研究利用对抗学习对未见的录音条件（更具体地，单麦克风远场语音）进行无监督自适应。我们使用未转写的自适应数据，将基于近距离干净语音训练的神经网络声学模型自适应到新的录音条件。我们在意大利语 SPEECON 数据集上的实验结果表明，与未自适应模型相比，所提方法实现了 19.8% 的相对词错误率（WER）降低。此外，即使在使用另一语言（即法语）的数据进行自适应时，该方法仍带来 12.6% 的相对 WER 降低。
引用
@article{arxiv.1807.11284,
title = {Unsupervised Domain Adaptation by Adversarial Learning for Robust Speech Recognition},
author = {Pavel Denisov and Ngoc Thang Vu and Marc Ferras Font},
journal= {arXiv preprint arXiv:1807.11284},
year = {2018}
}
备注
5 pages, 2 figures, the 13th ITG conference on Speech Communication