論文の概要: Two Stage Contextual Word Filtering for Context bias in Unified
Streaming and Non-streaming Transducer
- arxiv url: http://arxiv.org/abs/2301.06735v1
- Date: Tue, 17 Jan 2023 07:29:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:48:27.496285
- Title: Two Stage Contextual Word Filtering for Context bias in Unified
Streaming and Non-streaming Transducer
- Title（参考訳）: 統一ストリーミングと非ストリーミングトランスデューサにおける文脈バイアスのための2段階文脈単語フィルタリング
- Authors: Zhanheng Yang, Sining Sun, Xiong Wang, Yike Zhang, Long Ma, Lei Xie
- Abstract要約: エンドツーエンド(E2E)のASRシステムでは、トレーニングデータに頻繁に現れる名前付きエンティティなどの単語を認識することは困難である。
コンテキストワードリストが必要であり、可能なすべてのコンテキストワード候補をリストアップする。
本稿では,ストリーミングと非ストリーミングを併用したコンバータ-トランスデューサモデルに対して,高品質な文脈単語リストを得るための効率的な手法を提案する。
- 参考スコア（独自算出の注目度）: 17.835882045443896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is difficult for an end-to-end (E2E) ASR system to recognize words such as
named entities appearing infrequently in the training data. A widely used
method to mitigate this issue is feeding contextual information into the
acoustic model. A contextual word list is necessary, which lists all possible
contextual word candidates. Previous works have proven that the size and
quality of the list are crucial. A compact and accurate list can boost the
performance significantly. In this paper, we propose an efficient approach to
obtain a high quality contextual word list for a unified streaming and
non-streaming based Conformer-Transducer (C-T) model. Specifically, we make use
of the phone-level streaming output to first filter the predefined contextual
word list. During the subsequent non-streaming inference, the words in the
filtered list are regarded as contextual information fused into non-casual
encoder and decoder to generate the final recognition results. Our approach can
take advantage of streaming recognition hypothesis, improve the accuracy of the
contextual ASR system and speed up the inference process as well. Experiments
on two datasets demonstrates over 20% relative character error rate reduction
(CERR) comparing to the baseline system. Meanwile, the RTF of our system can be
stabilized within 0.15 when the size of the contextual word list grows over
6,000.
- Abstract（参考訳）: エンドツーエンド(E2E)のASRシステムでは、トレーニングデータに頻繁に現れる名前付きエンティティなどの単語を認識することは困難である。
この問題を軽減するために広く使われている方法は、音響モデルに文脈情報を供給することである。
コンテキストワードリストが必要であり、可能なすべてのコンテキストワード候補をリストアップする。
以前の著作では、リストのサイズと品質が重要であることが証明されている。
コンパクトで正確なリストは、パフォーマンスを大幅に向上させることができる。
本稿では,ストリーミングおよび非ストリーミング型コンフォーマトランスデューサ(c-t)モデルにおいて,高品質な文脈単語リストを得るための効率的な手法を提案する。
具体的には、電話レベルのストリーミング出力を用いて、事前に定義された文脈単語リストをフィルタリングする。
その後の非ストリーミング推論では、フィルタされたリスト内の単語は、非カジュアルエンコーダとデコーダに融合して最終認識結果を生成するコンテキスト情報とみなされる。
提案手法では,ストリーミング認識仮説の活用,文脈的ASRシステムの精度の向上,推論プロセスの高速化などが可能である。
2つのデータセットの実験では、ベースラインシステムと比較して20%以上の文字誤り率(CERR)が減少している。
文脈的単語リストのサイズが6,000を超えると、我々のシステムのRTFは0.15未満で安定できる。
関連論文リスト
- Improving Neural Biasing for Contextual Speech Recognition by Early Context Injection and Text Perturbation [27.057810339120664]
文脈認識型ASRモデルを改善するための2つの手法を提案する。
LibriSpeechでは, バイアスや浅い融合に比べて, 単語誤り率を60%, 25%削減する。
SPGISpeechと実世界のデータセットConECでは、ベースラインよりも優れた改善が得られます。
論文 参考訳（メタデータ） (2024-07-14T19:32:33Z) - Written Term Detection Improves Spoken Term Detection [9.961529254621432]
本稿では、インデックスや検索を複雑にすることなく、未完成のテキストをE2E KWSに統合できるマルチタスク学習目標を提案する。
音声文書からテキストクエリを検索するためのE2E KWSモデルのトレーニングに加えて,マスクした文書からテキストクエリを検索するための共同トレーニングを行う。
提案手法は, 多様な言語を対象とした検索性能を大幅に向上させるとともに, KWS の未実装テキストを効果的に活用できることを示す。
論文 参考訳（メタデータ） (2024-07-05T15:50:47Z) - UnitY: Two-pass Direct Speech-to-speech Translation with Discrete Units [64.61596752343837]
本稿では,まずテキスト表現を生成し,離散音響単位を予測する2パス直接S2STアーキテクチャであるUnitYを提案する。
第1パスデコーダのサブワード予測によりモデル性能を向上させる。
提案手法は,第2パスのスペクトルを予測しても性能が向上することを示す。
論文 参考訳（メタデータ） (2022-12-15T18:58:28Z) - Contextual-Utterance Training for Automatic Speech Recognition [65.4571135368178]
本稿では,過去と将来の文脈発話を利用した文脈発話訓練手法を提案する。
また,自動音声認識(ASR)システムをストリーミングするための2モード文脈発話訓練手法を提案する。
提案手法により、WERと平均最後のトークン放出遅延を6%以上、40ms以上削減できる。
論文 参考訳（メタデータ） (2022-10-27T08:10:44Z) - End-to-end contextual asr based on posterior distribution adaptation for
hybrid ctc/attention system [61.148549738631814]
エンドツーエンド(E2E)音声認識アーキテクチャは、従来の音声認識システムのすべてのコンポーネントを単一のモデルに組み立てる。
これはASRシステムを単純化するが、文脈的ASRの欠点を導入している: E2Eモデルは、頻繁な固有名詞を含む発話に対して、より悪い性能を持つ。
本稿では,文脈的単語認識能力を向上させるために,文脈バイアスアテンション(CBA)モジュールをアテンションベースエンコーダデコーダ(AED)モデルに追加することを提案する。
論文 参考訳（メタデータ） (2022-02-18T03:26:02Z) - 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) - CIF-based Collaborative Decoding for End-to-end Contextual Speech
Recognition [14.815422751109061]
コンテキストバイアスをより制御可能な方法でサポートするCIF(Continuous Integration-and-fire)ベースのモデルを提案する。
追加のコンテキスト処理ネットワークを導入し、コンテキスト埋め込みを抽出し、音響的に関連するコンテキスト情報を統合し、コンテキスト出力分布をデコードする。
提案手法は, 強ベースラインと比較して, 相対的文字誤り率 (CER) の8.83%/21.13%, 相対的名前付きエンティティ文字誤り率 (NE-CER) の40.14%/51.50%削減を実現する。
論文 参考訳（メタデータ） (2020-12-17T09:40:11Z) - Orthros: Non-autoregressive End-to-end Speech Translation with
Dual-decoder [64.55176104620848]
NARと自己回帰(AR)デコーダの両方を共有音声エンコーダで共同で訓練する新しいNAR E2E-STフレームワークOrthrosを提案する。
後者は、前者から生成される様々な長の候補間のより良い翻訳を選択するために使用され、これは、無視できるオーバーヘッドを持つ大きな長のビームの有効性を劇的に向上させる。
4つのベンチマーク実験により、競合翻訳品質を維持しつつ、推論速度を向上させる手法の有効性が示された。
論文 参考訳（メタデータ） (2020-10-25T06:35:30Z) - You Do Not Need More Data: Improving End-To-End Speech Recognition by
Text-To-Speech Data Augmentation [59.31769998728787]
我々は、ASRトレーニングデータベース上にTSシステムを構築し、合成音声でデータを拡張し、認識モデルを訓練する。
テストクリーンはWER 4.3%,他のテストクリーンは13.5%で、このシステムはLibriSpeechトレインクリーン100で訓練されたエンドツーエンドASRの競争結果を確立している。
論文 参考訳（メタデータ） (2020-05-14T17:24:57Z)
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。