Updated Corpora and Benchmarks for Long-Form Speech Recognition

要約

ASR 研究の大部分は、トレーニング データとテスト データの両方が発話に事前に分割されているコーパスを使用します。
ただし、実際の ASR ユースケースのほとんどでは、テスト音声がセグメント化されていないため、推論時の条件とセグメント化された発話でトレーニングされたモデルとの間に不一致が生じます。
このペーパーでは、長い形式の ASR 研究に使用できるように、更新された転写とアライメントを備えた 3 つの標準 ASR コーパス (TED-LIUM 3、Gigapeech、および VoxPopuli-en) を再リリースします。
これらの再構成されたコーパスを使用して、トランスデューサーと注意ベースのエンコーダー/デコーダー (AED) のトレーニングとテストの不一致の問題を研究し、AED がこの問題の影響を受けやすいことを確認しました。
最後に、これらのモデルの単純な長い形式のトレーニングをベンチマークし、このドメイン シフト下でのモデルの堅牢性に対するその有効性を示します。

要約(オリジナル)

The vast majority of ASR research uses corpora in which both the training and test data have been pre-segmented into utterances. In most real-word ASR use-cases, however, test audio is not segmented, leading to a mismatch between inference-time conditions and models trained on segmented utterances. In this paper, we re-release three standard ASR corpora – TED-LIUM 3, Gigapeech, and VoxPopuli-en – with updated transcription and alignments to enable their use for long-form ASR research. We use these reconstituted corpora to study the train-test mismatch problem for transducers and attention-based encoder-decoders (AEDs), confirming that AEDs are more susceptible to this issue. Finally, we benchmark a simple long-form training for these models, showing its efficacy for model robustness under this domain shift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google