MatchboxNet: Arquitectura de Red Neuronal Convolucional Separativa de Tiempo-Canal 1D para el Reconocimiento de Comandos de Voz

Presentamos MatchboxNet: una red neuronal de extremo a extremo para el reconocimiento de comandos de voz. MatchboxNet es una red residual profunda compuesta por bloques de convolución separativa de tiempo-canal 1D, normalización por lotes, capas ReLU y de abandono. MatchboxNet alcanza una precisión de vanguardia en el conjunto de datos de Comandos de Voz de Google mientras tiene significativamente menos parámetros que modelos similares. La pequeña huella de MatchboxNet lo convierte en un candidato atractivo para dispositivos con recursos computacionales limitados. El modelo es altamente escalable, por lo que la precisión del modelo puede mejorarse con memoria y computación adicionales modestas. Finalmente, mostramos cómo la intensiva augmentación de datos utilizando un conjunto de datos de ruido auxiliar mejora la robustez en presencia de ruido de fondo.