Tiefe neuronale Netzwerke für die Sprach­erkennung mit mehreren Sprechern über einen Einzelkanal

Wir untersuchen Techniken, die auf tiefen neuronalen Netzwerken (DNNs) basieren, um das Problem der Sprach­erkennung mit mehreren Sprechern über einen Einzelkanal anzugehen. Unser vorgeschlagener Ansatz enthält fünf wichtige Elemente: eine Multi-Style-Trainingsstrategie auf künstlich gemischten Sprachdaten, ein separates DNN zur Schätzung der posterioren Wahrscheinlichkeiten der lauteren und leiseren Sprecher bei jedem Frame, einen auf einem gewichteten endlichen Automaten (WFST) basierenden Decoder für zwei Sprecher, um den Sprecher und die Sprache gemeinsam zu schätzen und zu korrelieren, eine Strafe für den Sprecherwechsel, die aus dem Energie­musterwechsel in der gemischten Sprache geschätzt wird, und eine confidence-basierte Systemkombinationsstrategie. Experimente zur Sprachtrennung und -erkennung im Rahmen der Herausforderung 2006 zeigen, dass unser vorgeschlagenes DNN-basiertes System bemerkenswerte Robustheit gegenüber dem Störgeräusch eines konkurrierenden Sprechers aufweist. Das besteSetup unserer vorgeschlagenen Systeme erreicht eine durchschnittliche Fehlerquote (WER) von 18,8 % bei unterschiedlichen SNRs und übertrifft das führende IBM-System um 2,8 % absolut mit weniger Annahmen.