مقاله تشخیص نقطه پایانی دو گذر برای تشخیص گفتار

چکیده

Endpoint (EP) detection is a key component of far-field speech recognition systems that assist the user through voice commands. The endpoint detector has to trade-off between accuracy and latency, since waiting longer reduces the cases of users being cut-off early. We propose a novel two-pass solution for endpointing, where the utterance endpoint detected from a first pass endpointer is verified by a 2nd-pass model termed EP Arbitrator. Our method improves the trade-off between early cut-offs and latency over a baseline endpointer, as tested on datasets including voice-assistant transactional queries, conversational speech, and the public SLURP corpus. We demonstrate that our method shows improvements regardless of the first-pass EP model used.

چکیده به فارسی (ترجمه ماشینی)

تشخیص نقطه Endpoint (EP) یک مؤلفه اصلی سیستم های تشخیص گفتار دور مزارع است که از طریق دستورات صوتی به کاربر کمک می کند.ردیاب نقطه پایانی مجبور است بین دقت و تأخیر معامله کند ، زیرا انتظار بیشتر باعث کاهش موارد اولیه کاربران می شود.ما یک راه حل دو گذر جدید برای پایان دادن به انتهای پیشنهاد می کنیم ، جایی که نقطه پایانی بیان که از یک پاس اول پاس شناسایی شده است توسط یک مدل گذر 2 به نام داور EP تأیید می شود.روش ما باعث افزایش تجارت بین برش های اولیه و تأخیر بیش از یک قسمت اصلی پایه می شود ، همانطور که در مجموعه داده هایی از جمله نمایش داده های معامله ای با کمک صدا ، گفتار مکالمه و جسد عمومی آزمایش شده است.ما نشان می دهیم که روش ما بدون در نظر گرفتن مدل EP اول استفاده شده ، پیشرفت ها را نشان می دهد.