Aug, 2018

使用噪声通道模型和深度神经语言模型进行语言不流畅性检测

PDF
TL;DR本论文提出了一种自发言语转录中的 “LSTM 噪声信道模型” 来检测非流畅性，其中使用了 NCM 生成 n 最佳分析，并使用 LSTM 语言模型，及其他功能，用于鉴别最合理的分析，证明使用 LSTM 语言模型在噪声通道识别的重排过程中提高了非流畅性检测的最新技术。
disfluency detectionspontaneous speechlstm noisy channel modelmaxent rerankerlstm language model
发现论文，激发创造
  • 使用双向 LSTM 进行犹豫检测

    本文提出了一种利用双向 LSTM 神经网络进行自修复检测的方法，并使用模式匹配特征来降低对于词汇量的敏感度，提高了模型的性能。实验结果表明，在 Switchboard 语料库中，模型在标准的自修复检测任务和纠正检测任务中均表现出了出色的性能，特别是将非重复性的自修复鉴别效果提升明显。

    Apr, 2016

  • 神经机器翻译的简单而有效的噪声信道建模

    本文探讨了基于标准序列到序列模型的神经嘈杂信道建模方法，实验结果表明这种方法在四个语言对的翻译任务中表现优异，尤其在 WMT'17 的德英翻译任务中，其 BLEU 分数比直接模型高出 3.2 分。

    Aug, 2019

  • 大型语言模型用于口吃语音的错断检测

    通过将自动语音识别系统生成的假设候选项和从音频编码模型提取的声学表示输入到大型语言模型（LLMs）中，我们将多标签异味检测任务作为一种语言建模问题进行了研究，并在包含英语和德语结巴语音的三个数据集上对系统进行了优化，以预测异味标签，实验结果表明我们的系统有效地结合声学和词法信息，在多标签结巴检测任务上取得了有竞争力的结果。

    Jun, 2024

  • 神经噪声信道

    本文利用循环神经网络来参数化源模型和信道模型，将序列到序列的转移问题表述为噪声信道译码问题。实验结果表明，相较于直接模型，噪声信道模型在抽象句子摘要、形态学拐点和机器翻译方面表现更佳，并且可以从未配对的输出数据中获得显著的收益。

    Nov, 2016

  • 利用大型语言模型作为发错流产生器提升发错流检测

    利用大型语言模型（LLM）生成多样和更真实的句子作为数据增强，结合不确定性感知的数据过滤方法，提高失语检测性能，进一步增强成本效益。

    Mar, 2024

  • 利用自相关神经网络进行语无休止检测

    本研究提出了一种名为自相关神经网络 (ACNN) 的自动语音紊乱检测模型，其使用卷积神经网络 (CNN) 结合自相关操作，从而能够更好地捕捉修复性语音的相关依赖关系，实验表明，ACNN 模型在语音紊乱检测任务中的性能要优于传统的 CNN 模型，能够提高 5% 的 f-score。

    Aug, 2018

  • 基于无噪声通道语言模型的少样本文本分类

    介绍了一种嘈杂通道方法来进行少样本文本分类中的语言模型提示。实验表明，使用嘈杂通道模型可显著优于直接模型，特别适用于训练样本小，训练数据标签不平衡或需要推广到未见标签的情况。

    Aug, 2021

  • 流式联合语音识别和语调异常检测

    本研究通过基于 Transformer 框架的编码器 - 解码器模型提出了一种联合解决语音识别和流式识别中断相关的自然语言分析难题的方法，将其与传统的流水线工艺相比较，表现出更优异的准确性和实时性。

    Nov, 2022

  • 一种新的多模态动态融合网络用于口语话语中的干扰检测

    本研究提出了一种基于早期融合和自注意力的多模态交互的新颖多模态体系结构，通过使用文本和声学模态之间的多模态动态融合网络，在个体话语中进行语调检测，结果表明在英语 Switchboard 上，我们的模型实现了最先进的效果，并且在文献中优于以前的单模态和多模态系统。

    Nov, 2022

  • 自动文本简化的噪声通道

    本文介绍了一种基于嘈杂信道模型的自动句子简化的简单重新排名方法，该方法综合考虑了简单句子产生复杂语句的概率以及该简单文本本身的概率，并在三个不同的英语数据集中表现出优越性能，应用嘈杂信道模型可以为 ATS 系统添加附加信息，在控制其重要方面方面具有重要作用，缓解了端到端神经 seq2seq 生成模型的局限性。

    Nov, 2022