经过并行数据以及TS学习来加强ASR的鲁棒性

ICASSP 2019 SLP-P11.11 IMPROVING NOISE ROBUSTNESS OF AUTOMATIC SPEECH RECOGNITION VIA PARALLEL DATA AND TEACHER-STUDENT LEARNING

简述

Teacher模型对三音素的离散几率分布用于指导Student模型。因为通常的ASR系统包含数千个三音素，处理一帧将计算数千的三音素的几率。而且，大多数输出几率向量中只有少数维数有较大的值，其他维数的值都很是小而且带噪，这会迷惑Student模型。

   

所以，使用逻辑选择方法，只保留输出后验几率向量中前k个最高的维数。这样只有最可信的信息被保留下来，用于知道学生模型。这一方法也可以减小将教师输出传递给学生模型的带宽。

算法

其中T为分布中用于控制平滑度的Temperature

   

这样能大大减小存储软目标所需存储空间以及训练时的IO。

对向量进行加强也能提高学生模型对教师模型的置信度。

3层LSTM，3010输出维数，64维fBank特征

800小时过阵列转录数据，7200小时过阵列无转录数据

目标场景为室内带多媒体噪声环境。

以0-30dB抽取500-900ms RT60的RIR进行加混响

1. 使用800小时干净过阵列数据训练Teacher模型
2. 对未转录的干净数据集加噪
3. 未转录干净数据过教师模型，未转录噪声数据过学生模型，学生模型的准则函数为其输出与教师模型输出的KL散度（交叉熵）。
4. 梯度降低

CE，与仅使用800小时带转录干净数据训练的教师模型相比，

多条件训练（TS）的WER降低4.26%

该文献的方法WER降低6.82%（Temporature=1，且最优）

实验结果与结论

CE+sMBR，与使用1600小时干净带转录数据训练的教师模型相比，使用4800小时无转录数据+800小时转录数据，以该文献提出的方法训练的学生模型，能提高19.58%

   

原文

Mošner, Ladislav, Minhua Wu, Anirudh Raju, Sree Hari Krishnan Parthasarathi, Kenichi Kumatani, Shiva Sundaram, Roland Maas, and Björn Hoffmeister. "Improving noise robustness of automatic speech recognition via parallel data and teacher-student learning." arXiv preprint arXiv:1901.02348 (2019).