当识别带口音的语音时，自动语音识别 (ASR) 的性能可能会降低，因为语音与标准语音存在一些语言差异。传统的重音语音识别研究使用了重音嵌入方法，其中重音嵌入特征直接输入 ASR 网络。该方法虽然提高了重音识别的性能，但也存在一些限制，例如增加了计算成本。本研究提出了一种基于域对抗神经网络 (DANN) 以域对抗方式训练重音语音 ASR 模型的有效方法。DANN 扮演领域适应的角色，其中训练数据和测试数据具有不同的分布。因此，我们的方法有望通过减少重音语音和标准语音之间的分布差异来构建可靠的重音语音 ASR 模型。DANN 具有三个子网络：特征提取器、域分类器和标签预测器。为了调整 DANN 以进行重音语音识别，我们考虑重音语音的特性，独立构建了这三个子网络。特别是，我们使用基于连接主义时间分类 (CTC) 的端到端框架来开发标签预测器，这是一个非常重要的模块，直接影响 ASR 结果。为了验证所提出方法的效率，我们对四种英语口音（包括澳大利亚口音、加拿大口音、英国（英格兰）和印度口音）进行了多次重音语音识别实验。



"点击查看英文标题和摘要"