Один средний Log-Mel Vector на телефон: простой и быстрый текст для распознавания речи

arXiv: 261 0346423v 1 Annulate Type: кросс-бюллетень: Текстовые инъекции тренажерных моделей распознавания речи на непаранном тексте вместе с парным аудио. Мы даем синтетическое вложение речи, полученное из текста, так что вся модель учится на нём. Ранее мы синтезировали этот ввод с помощью модели замороженного текста-пика (TTS). Здесь простая таблица поиска заменяет модель TTS: средний вектор log-mel (или одноразовое кодирование) на телефон, повторяющийся на случайную продолжительность, полученную из статистики согласования, с молчанием между словами. Обучение в 1,8 раза быстрее, чем с нейронным TTS, что позволяет достичь сопоставимых значений погрешности слов. С помощью внешней языковой модели наша система достигает 1,36 / 2.90 / 1,52 / 3,24% WER на LibriSpeech {dev, test}- {чистая, прочее} к нашим знаниям с использованием только парных данных, текста и лексикона ЛибриСпича. Мы анализируем компоненты синтетического ввода (длины, акустические характеристики), сравниваем различные конвергенции HMM, оцениваем масштабирование на 25 000 часов Локуинского набора данных и показываем, что полная