在渐进网络中使用关节特征探测器进行多语言的低资源电话识别
Mahir Morshed1, Mark Hasegawa-Johnson1
1Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, Urbana, Illinois 61801, USA.
The Journal of the Acoustical Society of America
|November 19, 2024
概括
这项研究引入了用于手机识别的渐进神经网络,通过转移关节特征来提高准确性. 实验表明特征探测器在不同语言的性能上有很大的影响.
科学领域:
- 语音识别 语音识别 语音识别
- 人工智能的人工智能是人工智能.
- 深度学习是一种深度学习.
背景情况:
- 渐进的神经网络为顺序任务学习提供了一个框架.
- 关节特征对于区分语音声音 (手机) 是至关重要的.
- 现有的系统往往缺乏明确的模拟表达性特征转移.
研究的目的:
- 开发和评估用于手机识别的进步神经网络系统.
- 调查转移关节性特征探测器对识别性能的影响.
- 分析个别特征探测器对系统准确性的贡献.
主要方法:
- 设计神经网络与连接的反复层,用于特征检测和电话识别.
- 对亚洲语言进行系统培训,对亚洲和非洲语言进行测试.
- 纳入对比的预测编码层,以进行详细的性能分析.
- 进行建筑和培训变化和废除.
主要成果:
- 该系统成功地展示了关节信息的传输.
- 性能变化与特定特征检测器的存在或不存在有关 (例如,辅音位置/方式,母音高度/背部).
- 功能级别分析揭示了个别探测器对手机识别精度的影响.
结论:
- 渐进的神经网络有效地利用发音特征进行手机识别.
- 功能检测器的明确建模增强了对系统性能的理解.
- 需要进一步的研究来优化具有特定关节特征的手机,并完善网络架构.
