マルチスピーカエンドツーエンドASRのための拡張グラフ時間分類【JST・京大機械翻訳】

Chang Xuankai; Moritz Niko; Hori Takaaki; Watanabe Shinji; Roux Jonathan Le

プレプリント

J-GLOBAL ID：202202212394216730 整理番号：22P0296882

マルチスピーカエンドツーエンドASRのための拡張グラフ時間分類【JST・京大機械翻訳】

Extended Graph Temporal Classification for Multi-Speaker End-to-End ASR

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： 2022年03月01日プレプリントサーバーでの情報更新日： 2022年03月01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)

グラフベース時間分類(GTC),接続主義時間分類損失の一般化形式,をグラフベース監視を用いて自動音声認識(ASR)システムを改善するために最近提案した。例えば,GTCは,半教師つき学習のためのグラフに擬似ラベルシーケンスのN-ベストリストを符号化するために最初に使用された。本論文では,GTCの拡張を提案し,ニューラルネットワークによるラベルとラベル遷移の両方の後部をモデリングし,より広い範囲のタスクに適用できる。用例応用として,著者らはマルチ話者音声認識タスクのために拡張GTC(GTC-e)を使用した。マルチ話者音声の転写と話者情報をグラフにより表現し,話者情報がノードによる遷移とASR出力と関連する。GTC-eを用いて,マルチ話者ASRモデリングは,単一話者ASRモデリングと非常に似ており,多重話者によるトークンは,年代順で単一併合シーケンスとして認識される。評価のために,LibriSpeechから導出された模擬マルチ話者音声データセットに関する実験を行い,タスクに対する古典的ベンチマークに近い性能を有する有望な結果を得た。【JST・京大機械翻訳】

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

パターン認識

, , ,

前のページに戻る