Improving Joint Speech-Text Representations Without Alignment

要約

昨年は、テキストと画像のドメインが一緒に表現されるクロスモーダル表現空間のアイデアを前提とした、テキストによる画像生成において驚くべき進歩が見られました。
ASR では、このアイデアは、ペアになっていない音声とテキストの両方でトレーニングすることにより、非常に大きなパラメータ モデルの容量に合わせて拡張できる共同音声テキスト エンコーダとして応用されています。
これらの方法は有望ですが、アップサンプリング ヒューリスティックまたは明示的なアライメント モデルによる、音声とテキストに固有のシーケンス長の不一致の特別な処理が必要でした。
この研究では、音声テキスト共同エンコーダがシーケンスの長さを無視することで、モダリティ全体で一貫した表現を自然に実現できるという証拠を提供し、一貫性の損失は長さの違いを許容し、単に最良の位置合わせを仮定できる可能性があると主張します。
このような損失により、パラメータが大きい単言語システムと多言語システムの両方で下流の WER が向上することを示します。

要約(オリジナル)

The last year has seen astonishing progress in text-prompted image generation premised on the idea of a cross-modal representation space in which the text and image domains are represented jointly. In ASR, this idea has found application as joint speech-text encoders that can scale to the capacities of very large parameter models by being trained on both unpaired speech and text. While these methods show promise, they have required special treatment of the sequence-length mismatch inherent in speech and text, either by up-sampling heuristics or an explicit alignment model. In this work, we offer evidence that joint speech-text encoders naturally achieve consistent representations across modalities by disregarding sequence length, and argue that consistency losses could forgive length differences and simply assume the best alignment. We show that such a loss improves downstream WER in both a large-parameter monolingual and multilingual system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google