Un enfoque DCNN ligero basado en ECA para el reconocimiento de comandos de voz

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• La tecnología de reconocimiento de voz facilita la transcripción de flujos de audio en varias industrias.
• Sirve como una biometría para la autenticación del usuario y ayuda a las personas con discapacidades del habla.
• La tecnología permite una comunicación natural, similar a la humana.

Objetivo del estudio:

• Proponer una red neuronal convolucional profunda de extremo a extremo ligera con un marco de atención de canal eficiente (LW-DCNN-ECA) para mejorar el reconocimiento del habla.
• Mejorar la facilidad y la flexibilidad de la comunicación a través del reconocimiento de voz avanzado.

Principales métodos:

• Se desarrolló una CNN profunda de extremo a extremo modificada por capas que incorpora un mecanismo de atención de canal eficiente (ECA).
• La capa ECA es un módulo computacionalmente eficiente diseñado para aumentar el rendimiento de las redes neuronales convolucionales profundas ligeras.

Principales resultados:

• El modelo LW-DCNN-ECA logró una tasa de reconocimiento del 98.28% y una pérdida de 0.5691 en el conjunto de datos de comandos de mini-voz.
• En el conjunto de datos de comandos de voz, el modelo alcanzó una tasa de reconocimiento del 99,98% con una pérdida de 0,2634.
• La robustez del marco se validó en el corpus de Fisher y en el corpus de CHiME-4.

Conclusiones:

• El marco LW-DCNN-ECA propuesto demuestra una alta eficacia y precisión en las tareas de reconocimiento de voz.
• Este modelo ofrece una solución computacionalmente eficiente para mejorar el rendimiento del reconocimiento de voz.
• La tecnología tiene un potencial significativo para mejorar la accesibilidad y las herramientas de comunicación.