Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2306.01084

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2306.01084 (cs)
[提交于 2023年6月1日 (v1) ,最后修订 2023年6月22日 (此版本, v2)]

标题: HuBERT 多分辨率探索

标题: Exploration on HuBERT with Multiple Resolutions

Authors:Jiatong Shi, Yun Tang, Hirofumi Inaguma, Hongyu GOng, Juan Pino, Shinji Watanabe
摘要: Hubert(隐藏单元 BERT)是一种在语音处理中广泛使用的自监督学习 (SSL) 模型。然而,我们认为其隐藏表示的固定 20 毫秒分辨率对于各种语音处理任务可能并非最佳,因为这些任务的属性(例如说话者特征和语义)基于不同的时间尺度。为了解决这一局限性,我们建议在下游任务中使用多分辨率的 Hubert 表示。我们探索了两种方法,即并行方法和分层方法,用于整合具有不同分辨率的 Hubert 特征。通过实验,我们证明了多分辨率 Hubert 模型的表现优于原始模型。这突显了在像 Hubert 这样的 SSL 模型中利用多分辨率以从语音信号中捕获多样化信息的潜力。
摘要: Hidden-unit BERT (HuBERT) is a widely-used self-supervised learning (SSL) model in speech processing. However, we argue that its fixed 20ms resolution for hidden representations would not be optimal for various speech-processing tasks since their attributes (e.g., speaker characteristics and semantics) are based on different time scales. To address this limitation, we propose utilizing HuBERT representations at multiple resolutions for downstream tasks. We explore two approaches, namely the parallel and hierarchical approaches, for integrating HuBERT features with different resolutions. Through experiments, we demonstrate that HuBERT with multiple resolutions outperforms the original model. This highlights the potential of utilizing multiple resolutions in SSL models like HuBERT to capture diverse information from speech signals.
评论: 已被Interspeech2023接受
主题: 声音 (cs.SD) ; 音频与语音处理 (eess.AS)
引用方式: arXiv:2306.01084 [cs.SD]
  (或者 arXiv:2306.01084v2 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2306.01084
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jiatong Shi [查看电子邮件]
[v1] 星期四, 2023 年 6 月 1 日 18:51:34 UTC (9,418 KB)
[v2] 星期四, 2023 年 6 月 22 日 18:34:22 UTC (9,416 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-06
切换浏览方式为:
cs
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号