音素均值向量替代TTS用于语音识别文本注入

Albert Zeyer 等提出用每个音素的均值 log-Mel 向量或独热编码查找表，替代冻结的神经 TTS，为语音识别文本注入生成合成输入；作者报告训练速度提高至神经 TTS 的 1.8 倍，词错误率相当。 该方法按对齐统计随机设定各音素向量的重复时长，并在词间加入静音。使用外部语言模型时，作者报告其在 LibriSpeech 开发集和测试集的 clean、other 子集上的词错误率依次为 1.36%、2.90%、1.52% 和 3.24%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。