Sep, 2016

Wav2Letter: 一种基于端到端的卷积神经网络语音识别系统

PDF
TL;DR本论文提出一种简单的端对端语音识别模型，用卷积神经网络基于声学模型和图解码相结合，通过输出字母实现语音转录，无需强制调整音素位置。我们引入了一种自动分割标准以进行序列注释的训练，不需要对齐即可达到与 CTC 相当的效果。我们证明了在使用 MFCC 特征的 Librispeech 数据集上具有竞争力的单词错误率，并在原始波形上得到有希望的结果。
speech recognitionconvolutional networkgraph decodingautomatic segmentation criterionword error rate
发现论文，激发创造
  • 具有门控卷积神经网络的基于字母的语音识别

    本研究提出了一种基于 ConvNet 和 CTC（或 ASG）的字母语音模型，实现了与 WSJ 中最佳字母系统的匹配，并在 LibriSpeech 上展现了近乎最先进的表现。

    Dec, 2017

  • 全卷积语音识别

    本文提出了一种基于卷积神经网络的语音识别方法，相对于传统的基于循环神经网络的模型使用更少的特征提取步骤，并在多项测试中取得了当下最佳的表现。

    Dec, 2018

  • wav2letter++: 最快的开源语音识别系统

    本文介绍了使用 C++ 编写的最快开源深度学习语音识别框架 wav2letter++，使用 ArrayFire 张量库实现最大效率的系统架构和设计，并与其他主要的开源语音识别系统进行比较。结果显示，在某些情况下，wav2letter++ 比其他优化的框架训练端到端神经网络的速度快 2 倍以上，并且该框架的训练时间在使用 100 百万参数的模型时，可线性扩展至 64 个 GPU，快速迭代是成功研究和模型调优的关键因素。

    Dec, 2018

  • 使用字母到单词编码器进行单词级语音识别

    通过字级别的单词网络，我们提出了一种直接生成单词嵌入的序列模型，这种直接生成单词的方法可以有效提高语音识别中的词义判断准确率，并且可以更高效地进行训练和推理。

    Jun, 2019

  • Vid2speech：从无声视频中重建语音

    该研究利用卷积神经网络提出了一种端到端的模型，可以从无声视频帧生成可听的语音信号，实现了较高的单词清晰度，并展示了学习未识别单词的良好效果。

    Jan, 2017

  • 基于注意力机制的 Wav2Text 及特征迁移学习

    这篇论文介绍了使用基于注意力机制的编码器 - 解码器模型及特征迁移学习来建立一个自动语音识别的端对端模型，通过处理原始语音信号并不需要设计预定义的对齐和手动建立的模型来直接与文本转录进行交互

    Sep, 2017

  • 神经声学到词模型的模块化训练对于大词汇连续语音识别的应用

    此研究提出了一种新颖的模块化培训框架，用于分别训练神经声学和语言模型，并在解码阶段仍执行端到端推理。

    Mar, 2018

  • 全神经语音识别的进展

    本文提出了一种基于 CTC 的全神经网络语音识别器的设计方法，包括新的符号存储库、基于迭代的 CTC 方法、稳定化方法和初始化方法等，使用 NIST 2000 会话电话测试集进行了评估，结果表明该系统明显超过了先前发布的相似系统的性能，无需使用外部语言模型和解码技术。

    Sep, 2016

  • 朝向端到端无监督语音识别

    介绍一种改进的 wav2vec-U 2.0 方法，通过更好的结构来消除语音处理的需要，并引入自监督目标来实现更好的准确度，从而在不同语言下提高了非监督性识别结果。

    Apr, 2022

  • 构建英语会话语音识别的具有竞争力的直接声学到单词模型

    介绍了一个配方来训练一个 A2W 模型，以缩小与常规模型的差距，并呈现了一个联合单词 - 字符 A2W 模型，以提供富有意义的输出。

    Dec, 2017