1.On-the-yxdxn Aligned Data Augmentation for Sequence-to-Sequence ASR
需要word-level 的对齐信息:
(1)借助语言模型将text中某个词替换为另一个意思相近的词,该词对应的声学特征也要相应地替换
(2)随机在句子中挑一个词进行替换
这种方法可以和SpecAugment相结合,实验结果如下:
2.Semantic Mask for Transformer based End-to-End Speech Recognition
随机mask掉句子中一些token对应的特征,也可以和SpecAugment结合。
1.MIXSPEECH: DATA AUGMENTATION FOR LOW-RESOURCE AUTOMATIC SPEECH
RECOGNITION
思路来自于双阶段的流式语音识别,训练阶段如下:
测试阶段如下:
Decoder有两个工作模式:(1)自回归(2)非自回归
模型包括两部分,encoder抽取高层次声学表征,decoder产生文本。decoder是预训练好的BERT,首先预训练encoder:
然后训练整个模型
实验结果