論文の概要: Compact Speech Translation Models via Discrete Speech Units Pretraining
- arxiv url: http://arxiv.org/abs/2402.19333v1
- Date: Thu, 29 Feb 2024 16:36:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 13:56:20.276916
- Title: Compact Speech Translation Models via Discrete Speech Units Pretraining
- Title(参考訳): 離散音声ユニットプレトレーニングによるコンパクト音声翻訳モデル
- Authors: Tsz Kin Lam and Alexandra Birch and Barry Haddow
- Abstract要約: 音声翻訳(ST)において、自己監督学習(SSL)が強い結果を得るのが一般的である。
本稿では、離散音声ユニット(DSU)でより小さなモデルを事前学習することでSSLモデルを活用する。
1) フィルタバンク・トゥ・DSUおよび2) DSU・トゥ・トランスレーションデータ上でエンコーダ・デコーダモデルを事前訓練し, 1) とデコーダを 2) から取り出して新しいモデルを初期化し,これを限定的な音声翻訳データに基づいて微調整する。
- 参考スコア(独自算出の注目度): 82.2284421984621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using Self-Supervised Learning (SSL) as model initialization is now common to
obtain strong results in Speech Translation (ST). However, they also impose a
large memory footprint, hindering on-device deployment. In this paper, we
leverage the SSL models by pretraining smaller models on their Discrete Speech
Units (DSU). We pretrain encoder-decoder models on 1) Filterbank-to-DSU and 2)
DSU-to-Translation data, and take the encoder from 1) and the decoder from 2)
to initialise a new model, finetuning this on limited speech-translation data.
The final model becomes compact by using the DSU pretraining to distil the
knowledge of the SSL model. Our method has several benefits over using DSU as
model inputs, such as shorter inference pipeline and robustness over (DSU)
tokenization. In contrast to ASR pretraining, it does not require transcripts,
making it applicable to low-resource settings. Evaluation on CoVoST-2 X-En
shows that our method is >$0.5$ BLEU better than a ST model that directly
finetune the SSL model, given only half the model size, and on a par with ASR
pretraining.
- Abstract(参考訳): モデル初期化として自己教師付き学習(ssl)を使うことは、音声翻訳(st)の強い結果を得るために一般的である。
しかし、それらは大きなメモリフットプリントを課し、デバイス上のデプロイメントを妨げる。
本稿では、離散音声ユニット(DSU)でより小さなモデルを事前学習することでSSLモデルを活用する。
エンコーダ・デコーダモデルを事前学習し
1)フィルタバンク〜dsu及び
2) dsu-to-translationデータおよびエンコーダ
1)デコーダとデコーダ
2) 新しいモデルを初期化し,限られた音声翻訳データに基づいて微調整する。
最終モデルは、DSUプリトレーニングを使用してSSLモデルの知識を消し去ることでコンパクトになる。
提案手法は,DSUをモデル入力として使用するよりも,短い推論パイプラインや(DSU)トークン化に対する堅牢性など,いくつかの利点がある。
ASRの事前トレーニングとは対照的に、スクリプトは必要とせず、低リソース設定に適用できる。
CoVoST-2 X-Enの評価結果から,本手法はSSLモデルを直接微調整するSTモデルよりも0.5$ BLEU 以上であることがわかった。
関連論文リスト
- Pushing the Limits of Unsupervised Unit Discovery for SSL Speech
Representation [12.506633315768832]
HuBERTは、オフラインクラスタリングを利用して、音声特徴を個別単位に変換して、マスク付き言語モデリングプリテキストタスクの例である。
SSLターゲットを改善するための教師なし手法を提案する。
MonoBERTとPolyBERTの2つのモデルが提案されている。
論文 参考訳(メタデータ) (2023-06-15T07:45:12Z) - Transfer Learning from Pre-trained Language Models Improves End-to-End
Speech Summarization [48.35495352015281]
エンドツーエンド音声要約(E2E SSum)は、入力音声を直接1つのモデルで読みやすい短文に要約する。
E2E SSumモデルでは, 音声対の収集コストが高いため, 訓練データ不足に悩まされ, 不自然な文を出力する傾向にある。
本稿では,E2E SSumデコーダに事前学習言語モデル(LM)をトランスファーラーニングにより組み込むことを初めて提案する。
論文 参考訳(メタデータ) (2023-06-07T08:23:58Z) - Unsupervised Pre-Training For Data-Efficient Text-to-Speech On Low
Resource Languages [15.32264927462068]
そこで本研究では,大容量の非転写音声データを利用したシーケンス・ツー・シーケンスTSモデルの教師なし事前学習手法を提案する。
主なアイデアは、歪んだものから切り離されたメル・スペクトログラムを再構築するモデルを事前訓練することである。
低リソース言語シナリオにおける提案手法の有効性を実証的に実証した。
論文 参考訳(メタデータ) (2023-03-28T01:26:00Z) - BEATs: Audio Pre-Training with Acoustic Tokenizers [77.8510930885778]
自己教師付き学習(SSL)は、ここ数年、言語、ビジョン、スピーチ、オーディオドメインで目撃されてきた。
本稿では、音声変換器から双方向表現を学習するための反復型オーディオ事前学習フレームワークBEATを提案する。
最初のイテレーションでは、ランダムプロジェクションを音響トークンとして使用し、マスクとラベル予測の方法でオーディオSSLモデルをトレーニングする。
そこで,本研究では,事前学習あるいは微調整した音声SSLモデルから意味知識を抽出することにより,次のイテレーションのための音響トークン化装置を訓練する。
論文 参考訳(メタデータ) (2022-12-18T10:41:55Z) - Enhanced Direct Speech-to-Speech Translation Using Self-supervised
Pre-training and Data Augmentation [76.13334392868208]
直接音声音声変換(S2ST)モデルは、データ不足の問題に悩まされる。
本研究では,この課題に対処するために,ラベルのない音声データとデータ拡張を用いた自己教師付き事前学習について検討する。
論文 参考訳(メタデータ) (2022-04-06T17:59:22Z) - Efficiently Fusing Pretrained Acoustic and Linguistic Encoders for
Low-resource Speech Recognition [9.732767611907068]
本研究では,前訓練音響エンコーダ(wav2vec2.0)と前訓練言語エンコーダ(bert)をエンドツーエンドasrモデルに融合する。
本モデルは他のエンドツーエンドモデルに比べてcallhomeコーパスの認識性能が(15時間)向上する。
論文 参考訳(メタデータ) (2021-01-17T16:12:44Z) - Semi-Supervised Spoken Language Understanding via Self-Supervised Speech
and Language Model Pretraining [64.35907499990455]
そこで本稿では,音声から意味論を直接学習するフレームワークを提案する。
我々のフレームワークは、事前訓練されたエンドツーエンド(E2E)ASRとBERTのような自己教師型言語モデルに基づいて構築されている。
並行して,SLUモデルを評価するための重要な基準として,環境騒音汚染度とE2Eセマンティクス評価の2つがあげられる。
論文 参考訳(メタデータ) (2020-10-26T18:21:27Z) - Deliberation Model Based Two-Pass End-to-End Speech Recognition [52.45841282906516]
非ストリーミングのリステン・アテン・アンド・スペル(LAS)モデルを用いて、ストリーム仮説を再スコアする2パスモデルが提案されている。
このモデルは、第一パスのテキスト仮説のみを使用する神経矯正モデルのクラスとは対照的に、音響学で仮説を再評価する。
双方向エンコーダを用いて、ファーストパス仮説からコンテキスト情報を抽出する。
論文 参考訳(メタデータ) (2020-03-17T22:01:12Z)
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。