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 > cs > arXiv:2501.00425

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.00425 (cs)
[提交于 2024年12月31日 ]

标题: Whisper 变得更强大:增强 Wav2Vec 2.0 以在低资源语言中实现更优的自动语音识别

标题: Whisper Turns Stronger: Augmenting Wav2Vec 2.0 for Superior ASR in Low-Resource Languages

Authors:Or Haim Anidjar, Revital Marbel, Roi Yozevitch
摘要: 在低资源语言中处理语音到文本和自动语音识别问题历来具有挑战性,这是由于验证数据集的稀缺性和方言的多样性。阿拉伯语、俄语和葡萄牙语就是这些困难的典型例子,由于这些语言在全球不同大陆的众多方言,它们属于低资源语言。此外,这些语言的口音和发音的多样性使ASR模型的成功变得更加复杂。随着深度学习和Transformer的日益流行,声学模型如著名的Wav2Vec2在语音识别领域相比最先进的方法取得了优越的性能。然而,尽管Wav2Vec2在传统方法上效率有所提高,但对于代表性不足的语言,其性能显著下降,尽管它需要的标记数据显著减少。本文介绍了一个端到端框架,通过数据增强技术来增强在Wav2Vec2上微调的ASR系统。为了验证我们框架的有效性,我们使用了Mozilla的Common Voice项目中的三个数据集(阿拉伯语、俄语和葡萄牙语)进行了详细的实验评估。此外,本文提出的框架对不同的变音符号表现出鲁棒性。最终,我们的方法优于两个之前的基线模型,即预训练的Wav2Vec2和著名的Whisper ASR模型,在词错误率方面平均相对提高了33.9%,在字符错误率方面相对提高了53.2%。
摘要: Approaching Speech-to-Text and Automatic Speech Recognition problems in low-resource languages is notoriously challenging due to the scarcity of validated datasets and the diversity of dialects. Arabic, Russian, and Portuguese exemplify these difficulties, being low-resource languages due to the many dialects of these languages across different continents worldwide. Moreover, the variety of accents and pronunciations of such languages complicate ASR models' success. With the increasing popularity of Deep Learning and Transformers, acoustic models like the renowned Wav2Vec2 have achieved superior performance in the Speech Recognition field compared to state-of-the-art approaches. However, despite Wav2Vec2's improved efficiency over traditional methods, its performance significantly declines for under-represented languages, even though it requires significantly less labeled data. This paper introduces an end-to-end framework that enhances ASR systems fine-tuned on Wav2Vec2 through data augmentation techniques. To validate our framework's effectiveness, we conducted a detailed experimental evaluation using three datasets from Mozilla's Common Voice project in Arabic, Russian, and Portuguese. Additionally, the framework presented in this paper demonstrates robustness to different diacritics. Ultimately, our approach outperforms two previous baseline models, which are the pre-trained Wav2Vec2 and the well-known Whisper ASR model, resulting in an average relative improvement of 33.9\% in Word Error Rate and a 53.2\% relative improvement in Character Error Rate.
评论: 15页,3图
主题: 计算与语言 (cs.CL) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2501.00425 [cs.CL]
  (或者 arXiv:2501.00425v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.00425
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Roi Yozevitch [查看电子邮件]
[v1] 星期二, 2024 年 12 月 31 日 13:03:20 UTC (521 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:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.SD
eess
eess.AS

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