Augmenting conformers with structured state space models for online speech recognition

要約

モデルが左側のコンテキストにのみアクセスするオンライン音声認識は、ASR システムにとって重要かつ困難なユースケースです。
この研究では、構造化状態空間シーケンス モデル (S4) を組み込むことにより、オンライン ASR 用のニューラル エンコーダーを強化する方法を調査します。これは、任意の長さの左コンテキストにアクセスするパラメーター効率の高い方法を提供するモデルのファミリーです。
私たちは体系的なアブレーション研究を実行して S4 モデルのバリアントを比較し、それらをコンボリューションと組み合わせた 2 つの新しいアプローチを提案します。
最も効果的な設計は、実数値のリカレント重みとローカル畳み込みを使用して小さな S4 をスタックし、それらが補完的に機能できるようにすることであることがわかりました。
当社の最良のモデルは、Librispeech のテスト セットで 4.01%/8.53% の WER を達成し、広範に調整された畳み込みを備えた Conformers を上回っています。

要約(オリジナル)

Online speech recognition, where the model only accesses context to the left, is an important and challenging use case for ASR systems. In this work, we investigate augmenting neural encoders for online ASR by incorporating structured state-space sequence models (S4), which are a family of models that provide a parameter-efficient way of accessing arbitrarily long left context. We perform systematic ablation studies to compare variants of S4 models and propose two novel approaches that combine them with convolutions. We find that the most effective design is to stack a small S4 using real-valued recurrent weights with a local convolution, allowing them to work complementarily. Our best model achieves WERs of 4.01%/8.53% on test sets from Librispeech, outperforming Conformers with extensively tuned convolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google