論文の概要: Multi-Channel Transformer Transducer for Speech Recognition
- arxiv url: http://arxiv.org/abs/2108.12953v1
- Date: Mon, 30 Aug 2021 01:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:16:32.731987
- Title: Multi-Channel Transformer Transducer for Speech Recognition
- Title（参考訳）: 音声認識のためのマルチチャネル変換器
- Authors: Feng-Ju Chang, Martin Radfar, Athanasios Mouchtaris, Maurizio Omologo
- Abstract要約: 本稿では,新しい音声認識モデルであるMulti-Channel Transformer Transducer(MCTT)を提案する。
MCTTは、エンドツーエンドのマルチチャネルトレーニング、低コスト、低レイテンシを備えており、オンデバイス音声認識におけるストリーミングデコーディングに適している。
- 参考スコア（独自算出の注目度）: 15.268402294151468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-channel inputs offer several advantages over single-channel, to improve
the robustness of on-device speech recognition systems. Recent work on
multi-channel transformer, has proposed a way to incorporate such inputs into
end-to-end ASR for improved accuracy. However, this approach is characterized
by a high computational complexity, which prevents it from being deployed in
on-device systems. In this paper, we present a novel speech recognition model,
Multi-Channel Transformer Transducer (MCTT), which features end-to-end
multi-channel training, low computation cost, and low latency so that it is
suitable for streaming decoding in on-device speech recognition. In a far-field
in-house dataset, our MCTT outperforms stagewise multi-channel models with
transformer-transducer up to 6.01% relative WER improvement (WERR). In
addition, MCTT outperforms the multi-channel transformer up to 11.62% WERR, and
is 15.8 times faster in terms of inference speed. We further show that we can
improve the computational cost of MCTT by constraining the future and previous
context in attention computations.
- Abstract（参考訳）: マルチチャネル入力は、オンデバイス音声認識システムの堅牢性を改善するために、シングルチャネルよりもいくつかの利点を提供する。
近年のマルチチャネルトランスの研究で、これらの入力をエンドツーエンドのASRに組み込んで精度を向上させる方法が提案されている。
しかし、このアプローチは高い計算複雑性が特徴であり、デバイス上のシステムにデプロイされるのを防ぐことができる。
本稿では,端末内音声認識におけるストリーミング復号化に適した,エンドツーエンドのマルチチャネルトレーニング,低計算コスト,低レイテンシを特徴とする新しい音声認識モデルMCTTを提案する。
遠距離フィールド内データセットでは、MCTTはトランスデューサを用いたステージワイドマルチチャネルモデルよりも6.01%の相対WER改善(WERR)を実現している。
さらにMCTTは、マルチチャネルトランスフォーマーを11.62% WERRに上回り、推論速度の15.8倍高速である。
さらに,注意計算における将来と過去の文脈を制約することにより,MCTTの計算コストを向上できることを示す。
関連論文リスト
- Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning [45.622060532244944]
本稿では,マルチラウンド・マルチタスク・ラーニング(MRMTL)によるマルチラウンド・トランスミッションにおけるチャネル利用の動的更新を提案する。
MRMTLはタスク指向通信の効率を大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-15T17:48:06Z) - End-to-end Multichannel Speaker-Attributed ASR: Speaker Guided Decoder
and Input Feature Analysis [0.0]
本稿では,Conformerベースのエンコーダと多フレームのクロスチャネルアテンションと,話者対応のTransformerベースのデコーダを組み合わせた,エンドツーエンドのマルチチャネル話者分散自動音声認識(MC-SA-ASR)システムを提案する。
論文 参考訳（メタデータ） (2023-10-16T06:40:18Z) - TMS: A Temporal Multi-scale Backbone Design for Speaker Embedding [60.292702363839716]
話者埋め込みのための現在のSOTAバックボーンネットワークは、話者表現のためのマルチブランチネットワークアーキテクチャを用いた発話からマルチスケール特徴を集約するように設計されている。
本稿では, 話者埋め込みネットワークにおいて, 計算コストの増大を伴わずに, マルチスケール分岐を効率的に設計できる効果的な時間的マルチスケール(TMS)モデルを提案する。
論文 参考訳（メタデータ） (2022-03-17T05:49:35Z) - Multi-Channel End-to-End Neural Diarization with Distributed Microphones [53.99406868339701]
EENDのTransformerエンコーダを,マルチチャネル入力を処理する2種類のエンコーダに置き換える。
また,単一チャンネル記録のみを用いたモデル適応手法を提案する。
論文 参考訳（メタデータ） (2021-10-10T03:24:03Z) - Advanced Long-context End-to-end Speech Recognition Using
Context-expanded Transformers [56.56220390953412]
コンフォーメータアーキテクチャを導入することで、精度をさらに向上させ、以前の作業を拡張します。
拡張トランスフォーマーは、最先端のエンドツーエンドのASR性能を提供する。
論文 参考訳（メタデータ） (2021-04-19T16:18:00Z) - Developing Real-time Streaming Transformer Transducer for Speech
Recognition on Large-scale Dataset [37.619200507404145]
Transformer Transducer (T-T) モデルは、大規模なデータセット上で、低レイテンシで高速な高速なフィストパスデコーディングのためのモデルである。
我々はTransformer-XLとチャンクワイドストリーミング処理のアイデアを組み合わせて、ストリーム可能なTransformer Transducerモデルを設計する。
ストリーミングシナリオにおいて、T-Tはハイブリッドモデル、RNNトランスデューサ(RNN-T)、ストリーム可能なトランスフォーマーアテンションベースのエンコーダデコーダモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-22T03:01:21Z) - End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。
また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
論文 参考訳（メタデータ） (2020-02-10T16:29:26Z) - Streaming automatic speech recognition with the transformer model [59.58318952000571]
本稿では,ストリーミングASRのためのトランスフォーマーに基づくエンドツーエンドASRシステムを提案する。
本研究では,エンコーダに時間制限付き自己アテンションを適用し,エンコーダ・デコーダのアテンション機構に注意を喚起する。
提案したストリーミングトランスアーキテクチャは,LibriSpeechの「クリーン」および「他の」テストデータに対して,2.8%と7.2%のWERを実現する。
論文 参考訳（メタデータ） (2020-01-08T18:58:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。