Jan, 2024

NOTSOFAR-1 挑战：远程会议转录的新数据集、基准和任务

PDF
TL;DR引入首个远场音频记录的自然办公室对话者（“NOTSOFAR-1”）挑战，共带来数据集和基准系统。该挑战专注于远距离发言人日记和远场会议情景下的自动语音识别（DASR），并推出两个新的数据集：一是 315 个会议的基准测试数据集，每个会议平均约 6 分钟，捕捉了广泛的真实世界声学环境和对话动态；二是 1000 小时的模拟训练数据集，以增强真实世界泛化的真实性，并融合了 15000 个真实声学传递函数。该研究聚焦于单设备 DASR，在多通道设备的情况下具有相同已知的几何形状，旨在推动远距离对话语音识别领域的研究，为解锁数据驱动方法的潜力提供关键资源。
发现论文，激发创造
  • CHiME-7 DASR 挑战赛：异地会议多设备转录应用于多样化场景

    本文介绍了第七届 CHiME 挑战赛中的远场 ASR (DASR) 任务，并描述了挑战的设计、动机和基本研究问题，该任务旨在通过使用自我监督的语音表示法（SSLR）来设计一种可以跨越不同阵列几何和用例的单一系统。

    Jun, 2023

  • 第五届 'CHiME' 语音分离和识别挑战：数据集、任务和基准线

    该论文介绍了第五届 CHiME 挑战赛，旨在通过与语言处理、信号处理和机器学习相结合的研究促进 ASR 技术的发展，其中考虑了远距离多麦克风对话 ASR 在真实家庭环境中的应用，收集了代表自然对话语音的数据，并记录了 6 个 Kinect 麦克风阵列和 4 个双耳式麦克风对的数据。

    Mar, 2018

  • VarArray meets t-SOT: 推进流式远场对话语音识别技术的最新进展

    该论文提出了一种新的流式机器人语音识别框架，用于捕获具有任意几何结构的远程麦克风阵列捕获的多个讲话者的重叠语音，并提出了一种基于 VarArray 和 t-SOT 的新型 t-SOT-VA 框架，其结合了连续语音分离和多讲话者语音识别技术。

    Sep, 2022

  • 第二届 DIHARD 记日说话人识别挑战：数据集，任务和基准

    介绍第二届 DIHARD 挑战赛，该挑战赛旨在改善辨别系统对不同录音设备、噪音条件和对话领域变化的适应能力。本文描述了挑战任务、数据集和基线系统。

    Jun, 2019

  • USTC-Ximalaya 系统在 ICASSP2022 多通道多方会议转录（M2MeT）挑战中的应用

    在多频道多方会议转录挑战中，我们提出了两种改进目标说话人语音活动检测技术，能够处理高重叠率，重音和嘈杂环境中的多人对话，并展示了我们的系统与经典聚类算法相比，在 ALIMEETING 语料库中将 DER 降低了长达 66.55/60.59%。

    Feb, 2022

  • ICASSP 2022 多通道多方会议转录挑战赛的 Volcspeech 系统

    本文介绍了我们在 ICASSP 2022 M2MeT 挑战中的参赛作品。对于 Track 1，我们提出多种方法来加强聚类式说话人分割系统以应对重叠语音；对于 Track 2，我们采用 Conformer 模型和神经前端模块来训练系统，实现多声道混叠语音识别，最终取得了比较好的性能表现。

    Feb, 2022

  • 多方会议中说话人归属的自动语音识别的比较研究

    对在多方会议场景下的口语识别（SA-ASR）中的发言人进行的比较研究中，通过三种不同的方法进行了评估。结果表明，引入单词级别的划分模型可以有效降低时戳对准错误。同时，采用目标发言人分离模块和 ASR 模块联合训练可以显著提高 SA-ASR 的性能。

    Mar, 2022

  • 在线音视频会议转录技术进展

    本研究论文介绍了一种使用麦克风阵列和 360 度摄像头生成会议演讲者注释转录的系统，该系统能够处理重叠性语音并使用连续语音分离方法解决该问题。同时，还通过融合脸部跟踪和识别、声源定位、演讲者识别及先前演讲者信息的在线音频视觉演讲者日记化方法，提供了一个名为 SRD 的会议转录框架，并使用 11 名与会者的会议录音的实验结果表明，连续语音分离方法相对于高度调整的波束成形技术可将字词错误率降低 16.1％。当有完整的与会者名单时，字词错误率与演讲者归属字词错误率之间的差异仅为 1.0％，表明字词与演讲者之间的关联准确无误。当 50% 的与会者对系统不知情时，差异略有增加，为 1.6%。

    Dec, 2019

  • 家庭环境下远距离语音识别的 DIRHA - 英文语料库及相关任务

    本文介绍了 DIRHA-ENGLISH 多麦克风语料库，其中包括 12 名美国和英国的英语母语者，研究了语音处理、DNN 和远程语音识别等方面的基线结果。

    Oct, 2017

  • 第二届 DISPLACE 挑战赛：对话环境中的说话人和语言辨别

    DIarization of SPeaker and LAnguage in Conversational Environments (DISPLACE) 2024 challenge involves tasks of speaker diarization (SD), language diarization (LD), and automatic speech recognition (ASR) on a multilingual conversational speech dataset, with details of the dataset, baseline systems, and performance comparison with DISPLACE-2023.

    Jun, 2024