电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月2日
]
标题: 多语言语音识别使用离散标记的两步训练策略
标题: Multilingual Speech Recognition Using Discrete Tokens with a Two-step Training Strategy
摘要: 预训练模型,尤其是自监督学习(SSL)模型,在自动语音识别(ASR)任务中表现出色。 虽然大多数SSL模型的应用集中在利用连续表示作为特征来训练下游任务,但离散单元的使用近年来由于其更低的存储需求和更广泛的应用范围而受到越来越多的关注。 在多语言ASR任务中,模型不同层的表示对不同语言的贡献不同,使得离散单元建模的统一变得复杂。 在本文中,我们提出了一种两阶段的训练策略,以提高预训练模型的离散标记性能,并缩小与连续表示性能的差距。 我们在XLS-R模型上验证了我们的方法,遵循Interspeech2024使用离散语音单元进行语音处理挑战的设置。 我们的方法在ML-SUPERB数据集上表现出显著的改进,使XLS-R模型的CER相对减少了44%。 这超过了由WavLM模型设定的先前基线,该模型在CER上实现了26%的相对减少。 此外,我们的方法在排行榜上的所有单系统结果中排名第一。
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.