Preliminary tasks of unsupervised speech recognition based on unaligned audio and text data

2022

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/icemis56295.2022.9914249
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

We present herein our work on the preliminary tasks of unsupervised speech recognition using only unaligned audio and text datasets. The motivation for this is the general progress in generative models. Using the assumption that the frequencies and contextual relationships of words are close in audio and text domains for the same language. The experiments on acoustic and test data using the variational autoencoder (VAE) architecture were conducted on word level. Our plan to extract the encoding part of the acoustic VAE and the decoding part of the text VAE to build a joint VAE.