.png){kind=icon}
返回
Optimizing automatic speech recognition with advanced transformers and metaheuristics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2026.109464.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动语音识别（ASR）技术通过将口语转换为文本，实现了人与计算机之间的通信。然而，传统的ASR模型即使在应用了深度学习（DL）和机器学习（ML）技术后，仍然易受噪声干扰、失去语境理解能力，并且在超参数调优方面效率低下。为解决这些问题，本文提出了一种复杂的残差金字塔通道与空间注意力双向GRU Transformer（RPCSA-Bi-GRU）模型。研究首先采用改进的最小均方（MLMS）滤波技术消除噪声干扰。此外，该方法通过实现双向时序建模、多尺度特征提取和自注意力运算来提高识别精度。所提方法利用残差金字塔通道（RPC）模块提取多尺度语音特征，从而增强抗噪性。通过采用空间注意力双向GRU，进一步捕捉长距离依赖关系、增强语境表征并减少转录错误。本研究引入了一种增强的Coati元启发式优化（ECMO）方法，该方法能够高效动态地调整超参数以实现最佳性能，使收敛速度更快且分类精度高于传统调优方法。实验结果表明，所提ASR系统在Librispeech、SPGISpeech和GigaSpeech数据集上的准确率分别达到97.12%、97.11%和97.88%，从而在性能上超越了现有最优方法。研究结果证明，本研究开发了一种抗噪声模型，该模型在现实世界的ASR应用中既具有鲁棒性又计算可靠。
期刊
IF:
4.9
论文数:
1.0W
被引数:
2.4W
机构
引用论文
Robust Automatic Speech Recognition Using Wavelet-Based Adaptive Wavelet Thresholding: A Review
PREAI
分享收藏Evaluation of the effectiveness and efficiency of state-of-the-art features and models for automatic speech recognition error detection.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏End-to-end neural automatic speech recognition system for low resource languages面向低资源语言的端到端神经自动语音识别系统
PREAI
分享收藏AdaMER-CTC: Connectionist Temporal Classification with Adaptive Maximum Entropy Regularization for Automatic Speech RecognitionICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏End-to-end automated speech recognition using a character based small scale transformer architectureOAAI
OAAI分享收藏
查看更多内容