ترجمه فارسی مقاله آموزش خصمانه نقطه‌یابی کلمات کلیدی برای به حداقل رساندن تطبیق داده‌های TTS

چکیده

The keyword spotting (KWS) problem requires large amounts of real speech training data to achieve high accuracy across diverse populations. Utilizing large amounts of text-to-speech (TTS) synthesized data can reduce the cost and time associated with KWS development. However, TTS data may contain artifacts not present in real speech, which the KWS model can exploit (overfit), leading to degraded accuracy on real speech. To address this issue, we propose applying an adversarial training method to prevent the KWS model from learning TTS-specific features when trained on large amounts of TTS data. Experimental results demonstrate that KWS model accuracy on real speech data can be improved by up to 12% when adversarial loss is used in addition to the original KWS loss. Surprisingly, we also observed that the adversarial setup improves accuracy by up to 8%, even when trained solely on TTS and real negative speech data, without any real positive examples.

چکیده به فارسی (ترجمه ماشینی)

مشکل لکه بینی کلمه کلیدی (KWS) برای دستیابی به دقت بالا در جمعیت های متنوع ، به مقادیر زیادی از داده های آموزش گفتار واقعی نیاز دارد.استفاده از مقادیر زیادی از داده های سنتز شده متن به گفتار (TTS) می تواند هزینه و زمان مرتبط با توسعه KWS را کاهش دهد.با این حال ، داده های TTS ممکن است حاوی مصنوعات موجود در گفتار واقعی باشد ، که مدل KWS می تواند از آن استفاده کند (Overfit) ، و منجر به دقت تخریب شده در گفتار واقعی می شود.برای پرداختن به این مسئله ، ما پیشنهاد می کنیم از یک روش آموزش مخالف استفاده کنیم تا از مدل KWS از یادگیری ویژگی های خاص TTS هنگام آموزش در مقادیر زیادی از داده های TTS جلوگیری کنیم.نتایج تجربی نشان می دهد که دقت مدل KWS در داده های گفتار واقعی می تواند تا 12 ٪ بهبود یابد وقتی از دست دادن مخالف علاوه بر از دست دادن اصلی KWS استفاده می شود.با کمال تعجب ، ما همچنین مشاهده کردیم که تنظیم مخالف ، حتی در صورت آموزش فقط بر روی TTS و داده های گفتار منفی واقعی ، بدون هیچ نمونه مثبت واقعی ، دقت را تا 8 ٪ بهبود می بخشد.