实时因子低于 0.01 的极快关键词 spotting 系统
音频与语音处理
2020-09-09 v1 声音
摘要
在本文中，我们提出了一种基于现代神经网络的关键词 spotting（KWS）系统架构，该架构在各种语音数据上表现良好且运行极快。我们主要关注最后一方面，并对 KWS 设计所需的所有步骤提出优化：信号处理和似然计算、Viterbi 解码、spot 候选检测与置信度计算。我们提出了通过双向前馈序列记忆网络（循环网络的替代方案）以标准三音子或所谓准单音子进行时空高效的建模，以及对语音帧的完全前向解码（最小程度需要回看）。所提方案的若干变体在 3 个大型捷克语数据集（广播、互联网和电话，共 17 小时）上进行了评估，其性能通过检测错误权衡（DET）图和实时（RT）因子进行比较。我们证明，若应用所有优化（包括用于似然计算的 GPU），完整系统可以单遍运行且 RT 因子接近 0.001。
引用
@article{arxiv.2007.10706,
title = {Very Fast Keyword Spotting System with Real Time Factor below 0.01},
author = {Jan Nouza and Petr Cerva and Jindrich Zdansky},
journal= {arXiv preprint arXiv:2007.10706},
year = {2020}
}
备注
11 pages, 3 figures