文献

J-GLOBAL ID：202302279984009044   整理番号：23A2866868

End-to-endモデルを用いたオーバーラップに頑健な音声認識モデルの評価

Evaluation of Robust Speech Recognition Models for Overlap Using End-to-end Models

著者 (3件)： 三河多聞 (豊橋技科大) ,  山岡大志 (Poetics Inc.) ,  北岡教英 (豊橋技科大)
資料名： 日本音響学会研究発表会講演論文集(CD-ROM)  (日本音響学会講演論文集(CD-ROM))
巻： 2023  号： 秋季  ページ： ROMBUNNO.3-Q-1  発行年： 2023年09月12日 
JST資料番号： G0381C  ISSN： 1880-7658  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・ミーティングや,多くの人で賑わう場面で発生する,オーバーラップ(人間同士の音声の重なり)がある状況では,類似する複数の音源が重なり合い,音声認識システムにより発話内容を正しく予測することが困難。
・本稿では,ミーティング音声などの,ターンテイクや相槌が発生するオーバーラップ音声を想定し,End-to-End音声認識モデルをFine-tuningした際の性能をCERを用いて評価。
・モデルのアーキテクチャなどを改良することなく,音声認識での一般使用モデルを用い,オーバーラップを含む音声によってFine-tuningを実施することで,オーバーラップ音声に対するCERを改善。

シソーラス用語： *機械学習 ,  *音声認識 ,  学習モデル ,  会議 ,  *ニューラルネットワーク ,  発話 ,  深層学習
準シソーラス用語： End-to-endモデル ,  *End-to-End音声認識 ,  *オーバラップ ,  ミーティング ,  *音声モデル ,  重なり ,  相槌 ,  発話順番

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

引用文献 (11件)：

• A. Narayanan, J. Walker, S. Panchapagesan, N. Howard and Y. Koizumi: “Mask scalar prediction for improving robust automatic speech recognition”, ArXiv, abs/2204.12092, (2022).
• Y. Koizumi, S. Karita, A. Narayanan, S. Panchapagesan and M. Bacchiani: “SNRi Target Training for Joint Speech Enhancement and Recognition”, Proc. Interspeech, pp. 1173-1177 (2022).
• Y. Wang, J. Li, H. Wang, Y. Qian, C. Wang and Y. Wu: “Wav2vec-switch: Contrastive learning from original-noisy speech pairs for robust speech recognition”, Proc. ICASSP, IEEE, pp. 7097-7101 (2022).
• Y. Koizumi, K. Yatabe, M. Delcroix, Y. Masuyama and D. Takeuchi: “Speech enhancement using self-adaptation and multi-head self-attention”, Proc. ICASSP, IEEE, pp. 181-185 (2020).
• P. Guo, X. Chang, S. Watanabe and L. Xie: “Multi-speaker asr combining non-autoregressive conformer ctc and conditional speaker chain”, Proc. Interspeech (2021).

タイトルに関連する用語 (4件)： モデル ,  オーバーラップ ,  音声認識 ,  評価