Simul-Whisper: Attention-Guided Streaming Whisper with Truncation Detection

要約

Whisper は、堅牢かつ大規模な多言語音声認識モデルとして、多くの低リソースおよび配布外のシナリオで優れた結果を実証してきました。
ただし、そのエンコーダ/デコーダ構造により、ストリーミング音声認識への適用が妨げられます。
このペーパーでは、Whisper のクロスアテンションに組み込まれたタイム アライメントを使用して、自動回帰デコードをガイドし、事前トレーニングされたモデルを微調整することなくチャンクベースのストリーミング ASR を実現する Simul-Whisper を紹介します。
さらに、チャンク境界で切り詰められた単語がデコード結果に及ぼす悪影響を観察し、この問題に対処するための統合および発射ベースの切り詰め検出モデルを提案します。
複数の言語と Whisper アーキテクチャに関する実験では、Simul-Whisper が 1 秒のチャンク サイズで平均絶対単語誤り率の低下がわずか 1.46% に達し、現在の最先端のベースラインを大幅に上回っていることが示されています。

要約(オリジナル)

As a robust and large-scale multilingual speech recognition model, Whisper has demonstrated impressive results in many low-resource and out-of-distribution scenarios. However, its encoder-decoder structure hinders its application to streaming speech recognition. In this paper, we introduce Simul-Whisper, which uses the time alignment embedded in Whisper’s cross-attention to guide auto-regressive decoding and achieve chunk-based streaming ASR without any fine-tuning of the pre-trained model. Furthermore, we observe the negative effect of the truncated words at the chunk boundaries on the decoding results and propose an integrate-and-fire-based truncation detection model to address this issue. Experiments on multiple languages and Whisper architectures show that Simul-Whisper achieves an average absolute word error rate degradation of only 1.46% at a chunk size of 1 second, which significantly outperforms the current state-of-the-art baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google