Eat: Enhanced ASR-TTS for Self-Supervised Speech Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F21%3APU142916" target="_blank" >RIV/00216305:26230/21:PU142916 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/9413375" target="_blank" >https://ieeexplore.ieee.org/document/9413375</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICASSP39728.2021.9413375" target="_blank" >10.1109/ICASSP39728.2021.9413375</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Eat: Enhanced ASR-TTS for Self-Supervised Speech Recognition

Popis výsledku v původním jazyce

Self-supervised ASR-TTS models suffer in out-of-domain data conditions. Here we propose an enhanced ASR-TTS (EAT) model that incorporates two main features: 1) The ASR!TTS direction is equipped with a language model reward to penalize the ASR hypotheses before forwarding it to TTS. 2) In the TTS!ASR direction, a hyper-parameter is introduced to scale the attention context from synthesized speech before sending it to ASR to handle out-ofdomain data. Training strategies and the effectiveness of the EAT model are explored under out-of-domain data conditions. The results show that EAT reduces the performance gap between supervised and self-supervised training significantly by absolute 2.6% and 2.7% on Librispeech and BABEL respectively.

Název v anglickém jazyce

Eat: Enhanced ASR-TTS for Self-Supervised Speech Recognition

Popis výsledku anglicky

Self-supervised ASR-TTS models suffer in out-of-domain data conditions. Here we propose an enhanced ASR-TTS (EAT) model that incorporates two main features: 1) The ASR!TTS direction is equipped with a language model reward to penalize the ASR hypotheses before forwarding it to TTS. 2) In the TTS!ASR direction, a hyper-parameter is introduced to scale the attention context from synthesized speech before sending it to ASR to handle out-ofdomain data. Training strategies and the effectiveness of the EAT model are explored under out-of-domain data conditions. The results show that EAT reduces the performance gap between supervised and self-supervised training significantly by absolute 2.6% and 2.7% on Librispeech and BABEL respectively.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

ISBN

978-1-7281-7605-5

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

6753-6757

Název nakladatele

IEEE Signal Processing Society

Místo vydání

Toronto, Ontario

Místo konání akce

Toronto, Canada

Datum konání akce

6. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000704288407006