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:2309.08551v2

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2309.08551v2 (cs)
[提交于 2023年9月15日 (v1) ,最后修订 2023年12月27日 (此版本, v2)]

标题: 用于在线语音识别的结构化状态空间序列模型增强的构象器

标题: Augmenting conformers with structured state-space sequence models for online speech recognition

Authors:Haozhe Shan, Albert Gu, Zhong Meng, Weiran Wang, Krzysztof Choromanski, Tara Sainath
摘要: 在线语音识别,其中模型仅访问左侧的上下文,是ASR系统的重要且具有挑战性的用例。 在本工作中,我们通过结合结构化状态空间序列模型(S4),研究了增强神经编码器用于在线ASR的方法,这是一类提供参数高效方式以访问任意长左侧上下文的模型。 我们进行了系统的消融研究,以比较S4模型的不同变体,并提出了两种将它们与卷积结合的新方法。 我们发现,最有效的设计是堆叠一个使用实数值递归权重的小型S4与局部卷积,使它们能够互补工作。 我们的最佳模型在Librispeech测试集上的词错误率(WER)达到了4.01%/8.53%,超过了经过广泛调优的Conformer模型。
摘要: Online speech recognition, where the model only accesses context to the left, is an important and challenging use case for ASR systems. In this work, we investigate augmenting neural encoders for online ASR by incorporating structured state-space sequence models (S4), a family of models that provide a parameter-efficient way of accessing arbitrarily long left context. We performed systematic ablation studies to compare variants of S4 models and propose two novel approaches that combine them with convolutions. We found that the most effective design is to stack a small S4 using real-valued recurrent weights with a local convolution, allowing them to work complementarily. Our best model achieves WERs of 4.01%/8.53% on test sets from Librispeech, outperforming Conformers with extensively tuned convolution.
评论: ICASSP 2024
主题: 计算与语言 (cs.CL) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2309.08551 [cs.CL]
  (或者 arXiv:2309.08551v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2309.08551
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Haozhe Shan [查看电子邮件]
[v1] 星期五, 2023 年 9 月 15 日 17:14:17 UTC (55 KB)
[v2] 星期三, 2023 年 12 月 27 日 20:01:07 UTC (50 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-09
切换浏览方式为:
cs
cs.SD
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