Datenaugmentierung für akustische Modellierung mit tiefen neuronalen Netzwerken

Die Datenaugmentierung mittels transformationsbeibehaltender Labels hat sich als effektiv für das Training neuronaler Netzwerke zur Durchführung invariabler Vorhersagen erwiesen. In diesem Papier konzentrieren wir uns auf Ansätze zur Datenaugmentierung für akustische Modellierung mit tiefen neuronalen Netzwerken (DNNs) zur automatischen Sprachverarbeitung (ASR). Zunächst untersuchen wir eine modifizierte Version eines zuvor untersuchten Ansatzes mittels Störung der Stimmbahn (VTLP) und schlagen dann einen neuartigen Ansatz zur Datenaugmentierung vor, der auf stochastischem Merkmalsmapping (SFM) in einem sprecheradaptiven Merkmalsraum basiert. Experimente wurden mit begrenzten Sprachpaketen (LLPs) in Bengali und Assamisch aus dem IARPA Babel-Programm durchgeführt. Eine verbesserte Erkennungsleistung wurde nach sowohl Cross-Entropy (CE) als auch state-level minimalen Bayes-Risiko (sMBR) Training von DNN-Modellen beobachtet.