arXiv · NLP· Albert Zeyer, Davyd Naveriani, Dorian Koch, Ralf Schl\"uter, Hermann Ney·· 4 小时前AI 评分24
基于每音素平均 log-Mel 向量的快速语音识别文本注入方法
One Mean Log-Mel Vector per Phoneme: Simple and Fast Text Injection for Speech Recognition
AI 导读
用音素平均 log-Mel 向量替代冻结 TTS 模型进行文本注入，训练速度提升 1.8 倍且词错误率相当。 系统在 LibriSpeech 上取得 1.36% 至 3.24% 的 WER，结合外部语言模型达到 SOTA。 代码公开，实验涵盖 25,000 小时 Loquacious 数据集。
来源：arXiv · NLP · arxiv.org