基于 WGAN 的音频关键词识别研究

来源：计算机技术与发展杂志2021年第08期北京时间：

作者：李全兵;';文钊*;田艳梅*;詹茂豪;余秦勇;';杨辉;'

单位：1. 中国电子科技网络信息安全有限公司,四川 成都 610041;2. 提升政府治理能力大数据应用技术国家工程实验室,贵州 贵阳 550022;3. 中电科大数据研究院有限公司,贵州 贵阳 550022;4. 电子科技大学 信息与软件工程学院,四川 成都 610054

摘要：基于语音识别的关键词识别方法增大了关键词识别工作量,降低了识别效率,还使得识别准确率受语音识别和文字查找办法影响,并对无文字语言不适用。 针对此问题,提出将 Wasserstein 生成式对抗网络(WGAN)应用于语音关键词识别中,利用生成器输出的生成序列分析语音中有无关键词。 为了获取语音中关键词的位置信息,该文为 WGAN 网络定义了一个定位损失函数,以此保证生成的掩码序列可以精确定位出关键词的位置。 在四川话、普通话和粤语三门语言的数据集上进行实验,结果表明该技术可以识别无文字语言的关键词,相比于模板匹配方法其识别速度有显著提升。

关键词：语音识别;音频关键词识别;深度学习;Wasserstein 生成式对抗网络;关键词定位