无需更多数据：通过文本转语音数据增强改进端到端语音识别
音频与语音处理
2020-12-21 v2 计算与语言
机器学习
声音
摘要
数据增强是使端到端自动语音识别（ASR）性能接近传统混合方法的最有效途径之一，尤其是在处理低资源任务时。利用语音合成（文本转语音，TTS）的最新进展，我们在 ASR 训练数据库上构建 TTS 系统，然后用合成语音扩展数据以训练识别模型。我们认为，当训练数据量相对较低时，该方法可使端到端模型达到混合系统的质量。针对人工低到中资源设置，我们将所提出的增强方法与半监督学习技术进行比较。我们还通过比较 Griffin-Lim 算法与我们改进的 LPCNet 来研究声码器使用对最终 ASR 性能的影响。当配合外部语言模型使用时，我们的方法在 LibriSpeech test-clean 上优于半监督设置，且仅比可比的监督设置差 33%。我们的系统在 LibriSpeech train-clean-100 集上训练的端到端 ASR 取得了具有竞争力的结果，test-clean 词错率（WER）为 4.3%，test-other 为 13.5%。
引用
@article{arxiv.2005.07157,
title = {You Do Not Need More Data: Improving End-To-End Speech Recognition by Text-To-Speech Data Augmentation},
author = {Aleksandr Laptev and Roman Korostik and Aleksey Svischev and Andrei Andrusenko and Ivan Medennikov and Sergey Rybin},
journal= {arXiv preprint arXiv:2005.07157},
year = {2020}
}