声明:平时看些文章做些笔记分享出来,文章中难免存在错误的地方,还望大家海涵。搜集一些资料,方便查阅学习:http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html,语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg)。如有转载,请注明出处。欢迎关注微信公众号:低调奋进。
Are E2E ASR models ready for an industrial usage?
本文为Orange, 4 rue du Clos Courtel, Cesson-Sevign ´ e, France在2021.12.09更新的文章,主要在多场景下对比E2E的识别模型跟传统混合模型的性能和速度,具体的文章链接https://arxiv.org/pdf/2112.12572.pdf
(本文主要为实验对比。作者可能考虑成本开销,对每种模型训练时长进行限制,该操作造成模型欠拟合,不能表现出模型最优效果)
1 背景
随着端到端E2E模型的兴起,自动语音识别 (ASR) 社区经历了一个重要的转折点。同时,传统的混合模型仍然是语音识别使用的标准选择。本文在多场景下,对主流 E2E 模型和混合模型在性能和运行速度进行对比。实验表明 E2E 模型是混合模型的可行替代方案,甚至在准确性和推理速度方面都优于混合模型。因此,本文呼吁研究人员可以把关注点从性能转移到其它方面,比如端到端模型如何快速适应新的词典。
2 详细设计
本文强调很多研究都是在开源的单一场景进行试验,而