电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月29日
]
标题: 通过优化合成数据生成提高语音识别性能
标题: Towards Improved Speech Recognition through Optimized Synthetic Data Generation
摘要: 监督训练语音识别模型需要访问转录的音频数据,这通常由于保密问题而无法实现。 我们解决这个问题的方法是使用具有语音克隆功能的最先进的文本到语音模型,从仅文本语料库生成合成音频。 我们的目标是实现与在真实数据上训练的模型相当的自动语音识别(ASR)性能。 我们探索通过微调、过滤和评估来优化合成数据生成的方法,并将其用于训练端到端编码器-解码器ASR模型。 实验使用了两个魁北克法语的自发对话语音数据集。 我们表明,改进数据生成可以显著提高在合成数据上训练的最终ASR系统的性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.