使用 Kaldi 进行奥地利德语会话语音的自动语音识别

随着对话系统变得愈发交互化与社会化，会话语音的准确自动语音识别（ASR）也日益重要。焦点由此从简短、自发、任务导向的对话，转向随意面对面交谈的高得多的复杂性。然而，此类对话的采集与标注耗时，且该特定说话风格的数据稀疏。本文给出以朗读与会话奥地利德语为目标的 ASR 实验。为应对会话德语资源有限，同时说话人发音特征差异大的问题，我们改进了基于 Kaldi 的 ASR 系统：引入（大型）基于知识的发音词典，同时探索不同基于数据的方法以限制每个词条发音变体数。我们在奥地利德语朗读语音上取得最佳 WER 0.4%，在会话语音上取得最佳平均 WER 48.5%。我们发现，使用我们最佳发音词典可取得与将语言模型所用数据规模提升约 360% 至 760% 相仿的高性能。我们的发现表明，对于低资源场景——尽管语音技术总体趋势为仅用基于数据的方法——基于知识的方法是一种成功且高效的途径。