Исследование увеличения данных реверберационной речи для устойчивого распознавания речи

A study on data augmentation of reverberant speech for robust speech recognition
Daniel Povey, Sanjeev P. Khudanpur, Tom Ko, Vijayaditya Peddinti, Michael L. Seltzer
2017-03-01

акустические модели на основе DNNзадачи LVCSRаугментация данныхдальнеканальное ASRобучение в многосостоянияхточечный шумреверберационная речьимпульсные характеристики комнаты (RIR)
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.
1
Акустические модели, обученные с предлагаемой реверберационной аугментацией, хорошо работают для распознавания на дальнем расстоянии и также улучшают результаты для близкого поля.
2
Добавление точечных шумов к аугментированным реверберационным сигналам устраняет разрыв в производительности между смоделированными и реальными RIR.
3
Мультиусловная тренировка данных улучшает экологическую устойчивость DNN-акустических моделей, а моделирование — жизнеспособная стратегия при высокой стоимости сбора реальных данных.
4
Предложенный метод аугментации оценён на нескольких задачах LVCSR, представляющих оба сценария — близкий и дальний.
5
Использование смоделированных импульсных характеристик помещения (RIR) для аугментации данных может соответствовать производительности реальных RIR, если добавлены точечные шумы.

Реверберационная речь, используемая для обучения DNN-основанных акустических моделей для дистанционного распознавания речи (ASR)

Влияние увеличения объёма данных путём использования смоделированных импульсных характеристик помещения (RIR) и добавления точечных шумов на робастность и качество распознавания акустических моделей в условиях дистанционного (и близкого) распознавания речи

Publication Details
Publication Date
2017-03-01
Journal
Publisher
ISSN
Cited by
924
Access Type
Author Information
Authors
Daniel Povey
Sanjeev P. Khudanpur
Tom Ko
Vijayaditya Peddinti
Michael L. Seltzer
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%