xem kèo bóng đá Lab, bài báo chính được chấp nhận tại ICASSP 2023, hội nghị hàng đầu trong lĩnh vực xử lý tín hiệu âm thanh và giọng nói - Đề xuất phương pháp nhận dạng giọng nói bằng mô hình không gian trạng thái sâu -

ICASSP (Hội nghị quốc tế về Âm học, Lời nói và Xử lý Tín hiệu) là một trong những hội nghị quốc tế uy tín nhất trong lĩnh vực xử lý tín hiệu giọng nói và âm thanh, do Hiệp hội xử lý tín hiệu IEEE tổ chức và là hội nghị lâu đời sẽ được tổ chức lần thứ 48 vào năm 2023 Bài báo mới được chấp nhận này dự kiến sẽ được trình bày tại ICASSP 2023, được tổ chức trên đảo Rhodes của Hy Lạp vào tháng 6 2023

■Nền tảng nghiên cứu
Trong những năm gần đây, với sự phát triển của công nghệ máy học, việc sản xuất các quảng cáo mới sử dụng công nghệ xem kèo bóng đá đã thu hút được sự chú ý Tại xem kèo bóng đá Lab, chúng tôi đang mở rộng phạm vi các lĩnh vực nghiên cứu và nghiên cứu và phát triển công nghệ xem kèo bóng đá để giải quyết các vấn đề kỹ thuật khác nhau trong lĩnh vực sáng tạo quảng cáo

Trong lĩnh vực giọng nói, chúng ta đã có thể hiện thực hóa công nghệ nhận dạng giọng nói có hiệu suất nhận dạng cao và tổng hợp giọng nói có thể so sánh với giọng nói của con người Nhóm Âm thanh tại Phòng thí nghiệm xem kèo bóng đá, nơi tiến hành nghiên cứu trong lĩnh vực giọng nói và âm học, đang nghiên cứu để hiện thực hóa cuộc đối thoại hoàn toàn tự động, là cuộc đối thoại bằng giọng nói tự nhiên và nâng cao, chẳng hạn như giọng nói song sinh kỹ thuật số của những người nổi tiếng, quảng cáo bằng giọng nói và ứng dụng cho bot thoại ở trung tâm cuộc gọi

■Bài viết tóm tắt
「」
Koichi Miyazaki, Masato Murata, Tomoki Koriyama
Tác giả: Koichi Miyazaki, Masato Murata, Tomoki Koriyama (CyberAgent)

Nghiên cứu này đề xuất nhận dạng giọng nói và tổng hợp giọng nói bằng cách sử dụng Mô hình không gian trạng thái có cấu trúc (S4) *2 được đề xuất tại ICLR2022, đồng thời so sánh và xác minh nó với một mô hình sử dụng Transformer hiện đang được sử dụng rộng rãi S4 là mô hình kết hợp giữa deep learning và mô hình không gian trạng thái, đồng thời là mô hình đang thu hút sự chú ý nhờ khả năng nắm bắt các phụ thuộc đường dài, học nhanh và hiệu quả bộ nhớ cao

Chúng tôi xác nhận rằng mô hình đề xuất không chỉ đạt được hiệu suất nhận dạng giọng nói cao hơn mô hình Transformer cơ bản mà còn hoạt động trong khi vẫn duy trì hiệu suất cao ngay cả đối với lời nói dài, vốn khó nhận dạng với độ chính xác cao bằng mô hình cơ sở Ngoài ra, mô hình được đề xuất trong nghiên cứu này đã đạt được hiệu suất cao nhất (tại thời điểm nộp bài) trong nhận dạng giọng nói tiếng Nhật bằng cách sử dụng Corpus of Spoken English (CSJ) Cấu hình mô hình đề xuất có thể được dự kiến ​​sẽ không chỉ được áp dụng cho nhận dạng giọng nói và tổng hợp giọng nói mà còn cho nhiều nhiệm vụ giọng nói hơn trong tương lai

■Tương lai
Trong nghiên cứu này, chúng tôi đã đề xuất tính năng nhận dạng giọng nói và tổng hợp giọng nói bằng S4, tính năng này đang thu hút sự chú ý trong các nhiệm vụ lập mô hình trình tự và đã chứng minh tính hiệu quả của nó khi sử dụng nhiều tập dữ liệu Sự cải thiện hiệu suất này dự kiến ​​cũng sẽ có hiệu quả trong các tác vụ lời nói khác

Chúng tôi dự định áp dụng nghiên cứu công nghệ giọng nói của mình cho nhiều doanh nghiệp khác nhau mà chúng tôi cung cấp và mong muốn cung cấp các dịch vụ giao tiếp bằng giọng nói chất lượng cao mang lại trải nghiệm tự nhiên cho người dùng giống như trò chuyện với con người xem kèo bóng đá Lab sẽ tiếp tục kết hợp công nghệ xem kèo bóng đá vào các sản phẩm để giải quyết các vấn đề kinh doanh và xã hội, đồng thời sẽ tiếp tục nỗ lực nghiên cứu và phát triển nhằm đóng góp cho sự phát triển công nghệ và học thuật



※1 ICASSP https://2023ieeeicassporg/
※2 S4 A Gu, K Goel và C Ré, “Mô hình hóa hiệu quả các chuỗi dài với không gian trạng thái có cấu trúc,” trong Proc ICLR, 2022