論文解説 - Tree-constrained Pointer Generator with Graph Neural Network Encodings for Contextual Speech Recognition
Interspeech 読み会 2022 で発表したものです。
[元論文]
Interspeech2022 の best student paper の 1 つ。
著者らが以前提案した Tree-constrained Pointer Generator (TCPGen) の拡張。 Contextual biasing という特定コンテキストの単語 (人名、作品名、専門用語 etc) などを音声認識しやすくする方法で、実用上重要そう。
手法の詳細はスライド参照。 単語リストに関する prefix tree 表現に Graph Neural Network (GNN) のものを利用。
www.slideshare.net
[おまけ] Interspeech 発表記念写真。次は現地行きたい。
解説 - Factorized Neural Transducer for Efficient Language Model Adaptation
ICASSP 読み会 2022 で発表したものです.
元論文
End-to-End 音声認識の Transducer モデルにおける言語モデル適用に関する話題.
Transducer の decoder は, vocabulary 予測と blank 予測による alignment を同時に行う. これを vocab 予測のみ行う言語モデル (vocab predictor)と alignment を行うモデル (blank predictor) へ分解することを提案. Vocab predictor をテキストデータで fine-tuning することで適用可能.
www.slideshare.net
Hybrid Autoregressive Transducer (HAT) と同様の考え方?
解説 - INTERNAL LANGUAGE MODEL TRAINING FOR DOMAIN-ADAPTIVE END-TO-END SPEECH RECOGNITION
元論文
https://arxiv.org/abs/2102.01380
著者らが以前発表した Internal Language Model Estimation (https://arxiv.org/abs/2011.01991) について、ASR の Internal LM を最適化する学習を行うことでさらに改善.
ICASSP 読み会 2021 で発表したものです.