Ein neuartiges Schema zur Sprechererkennung mit einem phonetisch bewussten tiefen neuronalen Netzwerk

Wir schlagen einen neuartigen Rahmen für die Sprechererkennung vor, bei dem die Extraktion ausreichender Statistiken für das hochentwickelte i-Vektor-Modell von einem tiefen neuronalen Netzwerk (DNN) gesteuert wird, das für die automatische Spracherkennung (ASR) trainiert wurde. Konkret ersetzt das DNN das standardmäßige Gaussian-Mischmodell (GMM), um Frame-Alignments zu erzeugen. Die Verwendung eines ASR-DNN-Systems in der Sprechererkennungspipeline ist attraktiv, da es die Informationen aus den Sprachinhalten direkt in die Statistiken integriert, wodurch die standardmäßigen Backends unverändert bleiben. Der Verbesserung des vorgeschlagenen Rahmens im Vergleich zu einem hochentwickelten System beträgt 30 % relativ bei der Gleichfehlerquote, wenn es unter den Telefonbedingungen der NIST-Sprechererkennungsevaluation 2012 (SRE) bewertet wird. Der vorgeschlagene Rahmen ist ein erfolgreicher Ansatz, um transkribierte Daten effizient für die Sprechererkennung zu nutzen, und eröffnet so ein breites Spektrum an Forschungsrichtungen.