データ不足を克服するための話者認識のためのLSTMとGPT-2合成音声伝達学習【JST・京大機械翻訳】

Bird Jordan J.; Faria Diego R.; Ekart Aniko; Premebida Cristiano; Ayrosa Pedro P. S.

プレプリント

J-GLOBAL ID：202202205114724420 整理番号：22P0166153

データ不足を克服するための話者認識のためのLSTMとGPT-2合成音声伝達学習【JST・京大機械翻訳】

LSTM and GPT-2 Synthetic Speech Transfer Learning for Speaker Recognition to Overcome Data Scarcity

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年07月01日プレプリントサーバーでの情報更新日： 2020年07月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

音声認識問題において,データ不足は,学習と分類のための大量のデータを提供するための人間の意欲のために,しばしば問題を提起する。本研究では,7人の被験者から5つの音声Harvard文の集合を取り上げ,それらのMFCC属性を考察した。特性レベルLSTM(教師つき学習)とOpenAIの注意ベースのGPT-2モデルを用いて,合成MFCCを,被験者ベースで提供されるデータからの学習によって作り出す。ニューラルネットワークは,Flickr8k話者の大きなデータセットに対してデータを分類するために訓練され,次に,同じタスクを実行する転送学習ネットワークと比較されるが,2つのモデルによって生成された合成データからの学習によって決定された初期重み分布を有する。7人の被験者の全てに対する最良の結果は,合成データに暴露されたネットワークであり,LSTM生産データで事前訓練されたモデルは,最良の結果3倍を達成し,GPT-2等価5回(1人の被験者は,延伸で両方のモデルから最良の結果を有した)であった。これらの結果を通して,話者分類は,少量のユーザデータの利用により改善できるが,合成的に生成されたMFCCへの曝露で,ネットワークが最大分類スコアを近づけることを可能にすることを主張した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識 , 音声処理

, , ,

前のページに戻る