Исследование увеличения данных реверберационной речи для устойчивого распознавания речи

Устойчивость акустических моделей на основе глубоких нейронных сетей (DNN) к окружающей среде может быть существенно повышена при использовании обучающих данных с множественными условиями. Однако сбор данных дорогостоящий, поэтому часто применяется моделирование требуемых условий. В данной статье мы подробно описываем подход к увеличению данных для дальнего распознавания речи (far-field ASR). Мы изучаем влияние использования смоделированных импульсных откликов помещения (RIR), поскольку реальные RIR трудно получить, а также эффект добавления точечных источников шума. Мы обнаружили, что разрыв в производительности между применением смоделированных и реальных RIR может быть устранён при добавлении точечных шумов. Кроме того, мы показываем, что обученные акустические модели хорошо работают не только в сценарии дальнего разговора, но и обеспечивают лучшие результаты в сценарии близкого микрофона. Мы оцениваем наш подход на нескольких задачах распознавания речи с большим словарём (LVCSR), которые адекватно представляют оба сценария.