电气工程与系统科学 > 音频与语音处理
[提交于 2024年11月1日
(v1)
,最后修订 2024年11月4日 (此版本, v2)]
标题: 使用向量量化优化上下文语音识别以实现高效检索
标题: Optimizing Contextual Speech Recognition Using Vector Quantization for Efficient Retrieval
摘要: 神经上下文偏向允许语音识别模型利用与上下文相关的有用信息,从而提高转录准确性。然而,偏向机制通常基于音频和偏向条目目录之间的交叉注意力模块,这意味着计算复杂度可能会对偏向条目目录的规模以及由此带来的准确性提升产生严重的实际限制。 本文提出了一种基于向量量化来近似交叉注意力评分的方法,并实现了对大型偏向目录的高效计算和内存使用。 我们提议将此技术与基于检索的上下文偏向方法结合使用。 首先,我们使用高效的量化检索模块,通过在音频上定位来筛选偏向条目。然后使用检索到的条目进行偏向处理。 由于所提出的方案与偏向方法无关,我们研究了使用完整的交叉注意力、LLM提示以及两者的组合。 结果显示,基于检索的筛选方法允许系统高效地利用数千个条目的偏向目录,在个人实体识别任务中相对错误率降低了71%。 同时,与标准的点积交叉注意力相比,所提出的近似算法在多达一百万个条目列表的情况下,计算时间减少了20%,内存使用减少了85%-95%。
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.