新知榜官方账号
2023-10-02 03:02:15
音频转录成文本的技术在自动语音识别过程中起着至关重要的作用,但缺乏足够大的数据集,模型过拟合严重,因此如何扩增音频数据是个大问题。
谷歌提出了一种基于视觉的音频数据扩增方法SpecAugment,将扩增策略直接应用于音频频谱图,通过时间方向上的扭曲改造频谱图,并及时修改、屏蔽连续频率频道块和语言频道块,能让神经网络更强健,帮助抵抗时间方向上的变形,也会防止频率信息和语音片段信息丢失。
在大型开源语音识别数据集LibriSpeech上进行实验,采用转录过程的词错率(WordErrorRate,WER)来衡量结果,结果表明,在LibriSpeech数据集上,SpecAugment扩增方法能明显降低词错率,平均词错率大致降低5%,并且能有效防止神经网络过拟合。
基于视觉的音频数据扩增方法SpecAugment简单、计算成本低,并且不再需要其他额外数据,在自动语音识别任务中效果惊艳,具有很好的应用前景。
相关工具
相关文章
相关快讯
推荐
用Deepseek写AI绘图提示词,像呼吸一样简单!
2025-02-19 16:12
你以为AI绘画是黑科技?其实早成了“路边摊生意”!
2025-02-19 10:15
Flux爆火,全网最全面最详细的Flux使用教程!
2025-02-18 14:19
用AI如何创作音乐,实战教学来啦!
2025-02-17 17:23
MidJourney让你秒变绘画大神,从零开始画哪吒!
2025-02-17 14:56
AI应用新境界:让人工智能成为你的得力助手
2025-02-14 15:45
AI短片革命:当创作遇上智能,人人都能成为导演
2025-02-14 14:53
AI狂潮下的人类职场:是失业危机还是进化契机?
2025-02-13 16:53
开启影视创作新纪元,效率提升 10 倍的神器来了!
2025-02-13 15:11
深度解析DeepSeek:当AI技术照进创作产业的未来
2025-02-12 17:16