| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-03-03 17:35 ［ショートペーパー］Comparison of End-to-End Models for Joint Speaker and Speech Recognition ○Kak Soky（Kyoto Univ.）・Sheng Li（NICT）・Masato Mimura・Chenhui Chu・Tatsuya Kawahara（Kyoto Univ.）  EA2020-78 SIP2020-109 SP2020-43 |
|
| 抄録 | （和） | In this paper, we investigate the effectiveness of using speaker information on the performance of speaker-imbalanced automatic speech recognition (ASR). We identify the major speakers and combine other speakers who have a small size of speech, and make a systematic comparison of three methods that use speaker information for ASR including speaker attribute augmentation (SAug), multi-task learning (MTL), and adversarial learning (AL). We conduct experiments on a large spontaneous speech corpus of the Extraordinary Chambers in the Courts of Cambodia (ECCC) and an open Khmer text-to-speech corpus. As a result, we find that the use of speaker clustering information improves ASR performance including new speakers. Moreover, AL achieves better performance and more robustness in the speaker-independent setting compared to the other methods. It reduces errors of the baseline model by 4.32%, 5.46%, and 16.10% for the closed test, open test, and out-of-domain test, respectively. |
| （英） | In this paper, we investigate the effectiveness of using speaker information on the performance of speaker-imbalanced automatic speech recognition (ASR). We identify the major speakers and combine other speakers who have a small size of speech, and make a systematic comparison of three methods that use speaker information for ASR including speaker attribute augmentation (SAug), multi-task learning (MTL), and adversarial learning (AL). We conduct experiments on a large spontaneous speech corpus of the Extraordinary Chambers in the Courts of Cambodia (ECCC) and an open Khmer text-to-speech corpus. As a result, we find that the use of speaker clustering information improves ASR performance including new speakers. Moreover, AL achieves better performance and more robustness in the speaker-independent setting compared to the other methods. It reduces errors of the baseline model by 4.32%, 5.46%, and 16.10% for the closed test, open test, and out-of-domain test, respectively. | |
| キーワード | （和） | End-to-End / Speech Recognition / Speaker Recognition / Khmer language / Low-resource / Speech attribute / Multi-task / Adversarial learning |
| （英） | End-to-End / Speech Recognition / Speaker Recognition / Khmer language / Low-resource / Speech attribute / Multi-task / Adversarial learning | |
| 文献情報 | 信学技報, vol. 120, no. 399, SP2020-43, pp. 109-113, 2021年3月. | |
| 資料番号 | SP2020-43 | |
| 発行日 | 2021-02-24 (EA, SIP, SP) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | EA2020-78 SIP2020-109 SP2020-43 |
|
| 研究会情報 | |
| 研究会 | EA US SP SIP IPSJ-SLP |
| 開催期間 | 2021-03-03 - 2021-03-04 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 音声,応用／電気音響,信号処理，超音波，一般 |
| テーマ（英） | Speech, Engineering/Electro Acoustics, Signal Processing, Ultrasonics, and Related Topics |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2021-03-EA-US-SP-SIP-SLP |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | Comparison of End-to-End Models for Joint Speaker and Speech Recognition |
| サブタイトル（英） | |
| キーワード(1)（和/英） | End-to-End / End-to-End |
| キーワード(2)（和/英） | Speech Recognition / Speech Recognition |
| キーワード(3)（和/英） | Speaker Recognition / Speaker Recognition |
| キーワード(4)（和/英） | Khmer language / Khmer language |
| キーワード(5)（和/英） | Low-resource / Low-resource |
| キーワード(6)（和/英） | Speech attribute / Speech attribute |
| キーワード(7)（和/英） | Multi-task / Multi-task |
| キーワード(8)（和/英） | Adversarial learning / Adversarial learning |
| 第1著者 氏名（和/英/ヨミ） | Kak Soky / Kak Soky / |
| 第1著者 所属（和/英） | Kyoto University (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第2著者 氏名（和/英/ヨミ） | Sheng Li / Sheng Li / |
| 第2著者 所属（和/英） | National Institute of Information and Communications Technology (略称： NICT) National Institute of Information and Communications Technology (略称： NICT) |
| 第3著者 氏名（和/英/ヨミ） | Masato Mimura / Masato Mimura / |
| 第3著者 所属（和/英） | Kyoto University (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第4著者 氏名（和/英/ヨミ） | Chenhui Chu / Chenhui Chu / |
| 第4著者 所属（和/英） | Kyoto University (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第5著者 氏名（和/英/ヨミ） | Tatsuya Kawahara / Tatsuya Kawahara / |
| 第5著者 所属（和/英） | Kyoto University (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-03-03 17:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | SP |
| 資料番号 | EA2020-78, SIP2020-109, SP2020-43 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.397(EA), no.398(SIP), no.399(SP) |
| ページ範囲 | pp.109-113 |
| ページ数 | 5 |
| 発行日 | 2021-02-24 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]