基于参数化和非参数化 CNN 的原始波形声学模型的语音误差分析
原文中文，约400字，阅读约需1分钟。发表于：。在这篇论文中，我们分析了 TIMIT 语音识别任务中原始波形声学模型的错误模式，对传统的音素错误率指标进行了超越。我们将音素分为三组，计算了每个广义音素类别的音素错误率，并构建了每个类别的混淆矩阵，与 Filterbank 和 Wav2vec 2.0 系统的混淆模式进行了比较。我们的原始波形声学模型采用参数化（Sinc2Net）或非参数化 CNNs 和双向 LSTMs，并在 TIMIT...
该论文分析了TIMIT语音识别任务中原始波形声学模型的错误模式，并超越了传统的音素错误率指标。研究者将音素分为三组，计算了每个广义音素类别的音素错误率，并与Filterbank和Wav2vec 2.0系统的混淆模式进行了比较。他们的原始波形声学模型在TIMIT开发/测试集上实现了13.7%/15.2%的音素错误率，超过了文献中报告的原始波形模型的音素错误率。此外，他们还研究了从WSJ进行的迁移学习对音素错误模式和混淆矩阵的影响，将音素错误率降低到了11.8%/13.7%。
