宣告：我主要從事語音合成，對語音識別的學習主要出於興趣。文章內容摘要如有錯誤，還望讀者指出，共同​學習進步。

歡迎關注微信公眾號：低調奮進

Comparing the Benefit of Synthetic Training Data for Various Automatic Speech Recognition Architectures

本文2021。04。12號由德國亞琛工業大學計算機科學系釋出，主要對比使用TTS合成的資料對不同ASR架構的影響，具體的文章連結

https：//

arxiv。org/pdf/2104。0537

9。pdf

內容摘要

就目前的ASR架構，主要分為attention encoder-decoder（AED），connectionist-temporal-classification（CTC）和Hybrid ASR​。其中效果最好的還是Hybrid ASR​。本文主要使用TTS進行資料增廣，使AED的效能逼近Hybrid ASR​。

本文是TTS和ASR都使用LibriSpeech-100，合成使用的文字是LibriSpeech-360，具體的結果如table 5​所示，主要的結論如下：

1）使用TTS增廣資料對AED提升很大，對Hybrid ASR和CTC​相對較小；

2）即使使用TTS增光資料，AED還是無法達到Hybrid ASR的效能；

3）雖然TTS資料對Hybrid ASR影響很小，本文使用LibriSpeech-100來訓練Hybrid ASR，在乾淨和噪聲資料集上獲得了目前WER較好的3。3%/10%的表現。

​