Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.21631

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.21631 (eess)
[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

Authors:Yanis Perrin, Gilles Boulianne
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。
摘要: Supervised training of speech recognition models requires access to transcribed audio data, which often is not possible due to confidentiality issues. Our approach to this problem is to generate synthetic audio from a text-only corpus using a state-of-the-art text-to-speech model with voice cloning capabilities. Our goal is to achieve automatic speech recognition (ASR) performance comparable to models trained on real data. We explore ways to optimize synthetic data generation through finetuning, filtering and evaluation, and its use for training an end-to-end encoder-decoder ASR model. Experiments were conducted using two datasets of spontaneous, conversational speech in Qu\'ebec French. We show that improving data generation leads to large improvements in the final ASR system trained on synthetic data.
评论: 12页,3图
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.21631 [eess.AS]
  (或者 arXiv:2508.21631v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.21631
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gilles Boulianne [查看电子邮件]
[v1] 星期五, 2025 年 8 月 29 日 13:46:41 UTC (1,060 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号