Impact des techniques d'adaptation au locuteur dans l'espace des paramètres pour des modèles acoustiques purement neuronaux

Abstract

Cet article explore l’utilisation de techniques d’adaptation au locuteur pour des modèles acoustiques bidirectionnels de type long short term memory (BLSTM) entrainés avec la fonction objective dite de classification temporelle connectionniste (CTC). Les modèles acoustiques BLSTM-CTC prennent de plus en plus d’importance dans les systèmes de reconnaissance automatique de la parole, mais peu d’études ont été menées jusqu’ici pour y appliquer des techniques d’adaptation au locuteur. Dans cet article, nous explorons l’utilisation de trois techniques différentes : l’approche par feature space maximum likelihood linear regression (fMLLR), celle s’appuyant sur l’utilisation de i-vectors, et une approche exploitant la technique d’adaptation maximum a posteriori (MAP) appliquée sur des modèles gaussiens dont sont dérivés des paramètres fournis au modèles acoustiques neuronaux. Enfin, cette étude présente une comparaison du comportement des modèles BLSTM-CTC avec celui de modèles markoviens associés à un time-delay neural network (TDNN). of feature-space speaker adaptation for end-to-end acoustic models. This paper investigates speaker adaptation techniques for bidirectional long short term memory (BLSTM) recurrent neural network based acoustic models trained with the connectionist temporal classification (CTC) objective function. BLSTM-CTC AMs play an important role in end-to-end automatic speech recognition systems. However, there is a lack of research in speaker adaptation algorithms for these models. We explore three different feature-space adaptation approaches for CTC acoustic models : feature-space maximum linear regression, i-vector based adaptation, and maximum a posteriori adaptation using GMM-derived features. In addition, the adaptation behavior is compared for BLSTM-CTC models and time-delay neural network (TDNN) models trained with the cross-entropy criterion.