Key points are not available for this paper at this time.
Die Nutzung von beispielbasierten Methoden, wie z.B. Support Vector Machines (SVMs), k-nächste Nachbarn (kNNs) und sparse Repräsentationen (SRs), in der Spracherkennung war bisher begrenzt. Beispielbasierte Techniken nutzen Informationen über einzelne Trainingsbeispiele und sind rechnerisch aufwendig, was es besonders schwierig macht, diese Methoden bei Aufgaben zur kontinuierlichen Spracherkennung mit großem Wortschatz (LVCSR) zu untersuchen. Während die Forschung im Bereich LVCSR ein gutes Testfeld bietet, um reale Probleme der Spracherkennung anzugehen, leidet die Forschung in diesem Bereich unter zwei Hauptnachteilen. Erstens macht die gesamte Komplexität eines LVCSR-Systems die Fehleranalyse recht schwierig. Zweitens erfordert die Erforschung neuer Forschungsideen bei LVCSR-Aufgaben das Training und Testen modernster LVCSR-Systeme, was eine lange Durchlaufzeit zur Folge haben kann. Das macht eine Aufgabe mit kleinem Wortschatz wie TIMIT attraktiver. TIMIT bietet ein phonetisch reichhaltiges und manuell gekennzeichnetes Korpus, das einen einfachen Einblick in neue Algorithmen ermöglicht. Allerdings liefern die für Aufgaben mit kleinem Wortschatz untersuchten Forschungsideen nicht immer Gewinne bei LVCSR-Systemen. In diesem Papier kombinieren wir die Vorteile der Nutzung sowohl kleiner als auch großer Wortschatzaufgaben, indem wir gut etablierte Techniken, die in LVCSR-Systemen verwendet werden, auf TIMIT anwenden, um eine neue Basislinie zu schaffen. Dann nutzen wir diese bestehenden LVCSR-Techniken, um einen neuen Satz von beispielbasierten sparsamen Repräsentations(SR)-Merkmalen zu erstellen. Mit diesen bestehenden LVCSR-Techniken erreichen wir eine phonetic error rate (PER) von 19,4% bei der TIMIT-Aufgabe. Die zusätzliche Verwendung von SR-Merkmalen senkt die PER auf 18,6%. Anschließend untersuchen wir die Anwendung der SR-Merkmale bei einer großen Wortschatz-Broadcast-News-Aufgabe, bei der wir eine absolute Reduzierung der Wortfehlerrate (WER) um 0,3% erreichen.
Sainath et al. (Fr,) haben diese Frage untersucht.