JP7044856B2 - 増強された一貫性正規化を利用した音声認識モデル学習方法およびシステム - Google Patents
増強された一貫性正規化を利用した音声認識モデル学習方法およびシステム Download PDFInfo
- Publication number
- JP7044856B2 JP7044856B2 JP2020205566A JP2020205566A JP7044856B2 JP 7044856 B2 JP7044856 B2 JP 7044856B2 JP 2020205566 A JP2020205566 A JP 2020205566A JP 2020205566 A JP2020205566 A JP 2020205566A JP 7044856 B2 JP7044856 B2 JP 7044856B2
- Authority
- JP
- Japan
- Prior art keywords
- recognition model
- speech recognition
- samples
- speech
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 63
- 238000010606 normalization Methods 0.000 title description 2
- 238000002372 labelling Methods 0.000 claims description 46
- 238000004891 communication Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 description 36
- 238000012360 testing method Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 101150055297 SET1 gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/12—Score normalisation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/20—Pattern transformations or operations aimed at increasing system robustness, e.g. against channel noise or different working conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Description
120、210:使用者端末
220:ネットワーク
230:情報処理システム
Claims (16)
- 少なくとも一つのプロセッサによって遂行される音声認識モデル学習方法において、
ラベルが割当されていない複数の音声サンプルを受信する段階と、音声認識モデルを利用して前記複数の音声サンプルからヒューマンラベリング(human labeling)のための第1セットの音声サンプルを抽出する段階と、前記第1セットの音声サンプルと対応する第1セットのラベルを受信する段階と、前記音声認識モデルを利用して前記複数の音声サンプルからマシンラベリング(machine labeling)のための第2セットの音声サンプルを抽出する段階と、前記音声認識モデルを利用して前記第2セットの音声サンプルと対応する第2セットのラベルを決定する段階と、前記第2セットの音声サンプルを増強(augment)する段階、および
前記第1セットの音声サンプル、前記第1セットのラベル、前記増強された第2セットの音声サンプル、および前記第2セットのラベルに基づいて半教師あり学習(semi-supervised learning)を遂行して前記音声認識モデルをアップデートする段階を含む、音声認識モデル学習方法。 - 前記第2セットの音声サンプルを増強する段階は、
前記第2セットの音声サンプルに対してピッチシフティング(pitch shifting)を遂行する段階を含む、請求項1に記載の音声認識モデル学習方法。 - 前記第2セットの音声サンプルを増強する段階は、
前記第2セットの音声サンプルに対してタイムスケーリング(time scaling)を遂行する段階を含む、請求項1に記載の音声認識モデル学習方法。 - 前記第2セットの音声サンプルを増強する段階は、
前記第2セットの音声サンプルに加算性白色ガウシアンノイズ(Additive White Gaussian Noise)を追加する段階を含む、請求項1に記載の音声認識モデル学習方法。 - 前記音声認識モデルを利用して前記複数の音声サンプルからヒューマンラベリングのための第1セットの音声サンプルを抽出する段階は、
前記音声認識モデルを利用して前記複数の音声サンプルそれぞれの不確実性スコア(uncertainty score)を算出する段階、および
前記複数の音声サンプルのうち最も高い不確実性スコアを有するあらかじめ決定された個数の音声サンプルを前記第1セットの音声サンプルとして抽出する段階を含む、請求項1~請求項4のいずれか一項に記載の音声認識モデル学習方法。 - 前記音声認識モデルを利用して前記複数の音声サンプルからマシンラベリングのための第2セットの音声サンプルを抽出する段階は、
前記複数の音声サンプルのうちあらかじめ決定された臨界値以下の不確実性スコアを有する少なくとも一つの音声サンプルを前記第2セットの音声サンプルとして抽出する段階を含む、請求項5に記載の音声認識モデル学習方法。 - 前記不確実性スコアは前記音声認識モデルによって出力されるテキストシーケンスの長さ正規化された結合確率(length-normalized joint probability)を示す、請求項5に記載の音声認識モデル学習方法。
- 前記音声認識モデルをアップデートする段階は、
前記音声認識モデルによって予測される前記第1セットの音声サンプルと対応する第1セットの出力データ、そして、前記第1セットのラベルの間の差が最小化されるように前記音声認識モデルをアップデートする段階を含む、請求項1~請求項7のいずれか一項に記載の音声認識モデル学習方法。 - 前記音声認識モデルをアップデートする段階は、
前記音声認識モデルによって予測される前記増強された第2セットの音声サンプルと対応する第2セットの出力データ、そして、前記第2セットのラベルの間の差が最小化されるように前記音声認識モデルをアップデートする段階をさらに含む、請求項8に記載の音声認識モデル学習方法。 - 前記第1セットの出力データと前記第1セットのラベルの間の差、そして、前記第2セットの出力データと前記第2セットのラベルの間の差は、標準クロス-エントロピー損失関数(standard cross-entropy loss function)により算出される、請求項9に記載の音声認識モデル学習方法。
- 前記音声認識モデルは教師あり学習(supervised learning)を遂行して生成された人工ニューラルネットワークモデルである、請求項1~請求項10のいずれか一項に記載の音声認識モデル学習方法。
- 前記ヒューマンラベリングのための第1セットの音声サンプルの数が前記マシンラベリングのための第2セットの音声サンプルの数より少ない、請求項1~請求項11のいずれか一項に記載の音声認識モデル学習方法。
- 前記第1セットのラベルは人によって生成された正解ラベルである、請求項1~請求項12のいずれか一項に記載の音声認識モデル学習方法。
- 前記第2セットのラベルは前記音声認識モデルによって予測された疑似ラベル(pseudo label)である、請求項1~請求項13のいずれか一項に記載の音声認識モデル学習方法。
- 請求項1~請求項14のいずれか一項に記載された音声認識モデル学習方法をコンピュータで実行するための、コンピュータプログラム。
- 音声認識モデル学習システムであって、
通信モジュールと、
メモリ、および
前記メモリと連結され、前記メモリに含まれたコンピュータ読み取り可能な少なくとも一つのプログラムを実行するように構成された少なくとも一つのプロセッサを含み、
前記少なくとも一つのプログラムは、
ラベリングされていない複数の音声サンプルを受信し、
音声認識モデルを利用して前記複数の音声サンプルからヒューマンラベリングのための第1セットの音声サンプルを抽出し、
前記第1セットの音声サンプルと対応する第1セットのラベルを受信し、
前記音声認識モデルを利用して前記複数の音声サンプルからマシンラベリングのための第2セットの音声サンプルを抽出し、
前記音声認識モデルを利用して前記第2セットの音声サンプルと対応する第2セットのラベルを決定し、
前記第2セットの音声サンプルを増強し、
前記第1セットの音声サンプル、前記第1セットのラベル、前記増強された第2セットの音声サンプルおよび前記第2セットのラベルに基づいて半教師あり学習を遂行して前記音声認識モデルをアップデートするための命令語を含む、音声認識モデル学習システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200111929A KR102409873B1 (ko) | 2020-09-02 | 2020-09-02 | 증강된 일관성 정규화를 이용한 음성 인식 모델 학습 방법 및 시스템 |
KR10-2020-0111929 | 2020-09-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022042460A JP2022042460A (ja) | 2022-03-14 |
JP7044856B2 true JP7044856B2 (ja) | 2022-03-30 |
Family
ID=80629581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020205566A Active JP7044856B2 (ja) | 2020-09-02 | 2020-12-11 | 増強された一貫性正規化を利用した音声認識モデル学習方法およびシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7044856B2 (ja) |
KR (1) | KR102409873B1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240648B (zh) * | 2022-07-18 | 2023-04-07 | 四川大学 | 一种面向语音识别的管制员语音增强方法及装置 |
KR102610360B1 (ko) | 2022-12-28 | 2023-12-06 | 주식회사 포지큐브 | 발화 보이스에 대한 레이블링 방법, 그리고 이를 구현하기 위한 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014092750A (ja) | 2012-11-06 | 2014-05-19 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル生成装置とその方法とプログラム |
JP2018513399A (ja) | 2015-11-25 | 2018-05-24 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | 配置されたエンドツーエンド音声認識 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05143094A (ja) * | 1991-11-26 | 1993-06-11 | Sekisui Chem Co Ltd | 話者認識システム |
KR102158743B1 (ko) * | 2016-03-15 | 2020-09-22 | 한국전자통신연구원 | 자연어 음성인식의 성능향상을 위한 데이터 증강장치 및 방법 |
-
2020
- 2020-09-02 KR KR1020200111929A patent/KR102409873B1/ko active IP Right Grant
- 2020-12-11 JP JP2020205566A patent/JP7044856B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014092750A (ja) | 2012-11-06 | 2014-05-19 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル生成装置とその方法とプログラム |
JP2018513399A (ja) | 2015-11-25 | 2018-05-24 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | 配置されたエンドツーエンド音声認識 |
Also Published As
Publication number | Publication date |
---|---|
KR20220030120A (ko) | 2022-03-10 |
JP2022042460A (ja) | 2022-03-14 |
KR102409873B1 (ko) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240161732A1 (en) | Multi-dialect and multilingual speech recognition | |
CN110473531B (zh) | 语音识别方法、装置、电子设备、系统及存储介质 | |
US20200365142A1 (en) | Encoder-decoder models for sequence to sequence mapping | |
JP6820058B2 (ja) | 音声認識方法、装置、デバイス、及び記憶媒体 | |
JP6686154B2 (ja) | 発話認識方法及び装置 | |
CN106469552B (zh) | 语音识别设备和方法 | |
US11074909B2 (en) | Device for recognizing speech input from user and operating method thereof | |
JP2022531479A (ja) | 音声認識のためのコンテキストバイアス | |
KR102390940B1 (ko) | 음성 인식을 위한 컨텍스트 바이어싱 | |
KR101418163B1 (ko) | 컨텍스트 정보를 이용한 음성 인식 복구 | |
CN111292728A (zh) | 语音识别方法和设备 | |
CN110097870B (zh) | 语音处理方法、装置、设备和存储介质 | |
US20200020327A1 (en) | Method and apparatus for recognizing a voice | |
CN112331206A (zh) | 语音识别方法及设备 | |
JP7044856B2 (ja) | 増強された一貫性正規化を利用した音声認識モデル学習方法およびシステム | |
CN112700778A (zh) | 语音识别方法和语音识别设备 | |
CN112825249A (zh) | 语音处理方法和设备 | |
CN111508497B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
KR20210001937A (ko) | 사용자의 음성 입력을 인식하는 디바이스 및 그 동작 방법 | |
JP2020042257A (ja) | 音声認識方法及び装置 | |
JP7348447B2 (ja) | テキストベースの話者変更検出を活用した話者ダイアライゼーション補正方法およびシステム | |
US11328713B1 (en) | On-device contextual understanding | |
KR102663162B1 (ko) | 음성 합성 방법 및 시스템 | |
TWI835098B (zh) | 提供基於語音錄製後的資訊生成的語音記錄的方法、系統及計算可讀記錄介質 | |
US11804225B1 (en) | Dialog management system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210104 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210105 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20210414 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210412 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220222 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220317 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7044856 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |