文献

J-GLOBAL ID：202002289701096694   整理番号：20A0904528

話者を意識した音声変換器【JST・京大機械翻訳】

Speaker-Aware Speech-Transformer

著者 (4件)： Fan Zhiyun (University of Chinese Academy of Sciences,China) ,  Li Jie (Kwai,Beijing,P.R. China) ,  Zhou Shiyu (Institute of Automation, Chinese Academy of Sciences,China) ,  Xu Bo (Institute of Automation, Chinese Academy of Sciences,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ASRU  ページ： 222-229  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近,エンドツーエンド(E2E)モデルは,従来のハイブリッド自動音声認識(ASR)システムに対する競争的代替となっている。しかし,それらはまだ訓練と試験条件において話者不整合を被っている。本論文では,音声変換器(ST)を研究プラットフォームとして用い,E2Eモデルの話者認識訓練を研究した。話者注意モジュール(SAM)を装備した標準STである話者認識音声変換器(SAST)と呼ばれるモデルを提案した。SAMはiベクトルで作られた静的話者知識ブロック(SKB)を持つ。各時間ステップにおいて,エンコーダ出力はブロックにおけるiベクトルに付随し,重み付き結合話者埋込みベクトルを生成する。これはモデルが話者変動を正規化するのを助ける。この方法で訓練されたSASTモデルは,特定の訓練話者とは独立しており,従って,非見られたテスト話者により一般化される。SAMの異なる因子を調べた。AISHELL-1タスクに関する実験結果は,SASTが話者独立(SI)ベースライン上で相対6.5%CER削減(CERR)を達成することを示した。さらに,SKBにおけるiベクトルが音響訓練集合以外の異なるデータ源から生じるとしても,SASTは依然として非常に良く動作することを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ベクトル ,  音響 ,  話者認識 ,  符号器 ,  エンドツーエンド方式 ,  不整合 ,  基準線 ,  正規化
準シソーラス用語： 自動音声認識 ,  話者 ,  *音声変換 ,  時間ステップ ,  iベクトル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 話者 ,  意識 ,  音声 ,  変換器