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

2022

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.1109/icemis56295.2022.9914249
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

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.