中文摘要 |
本論文中,我們描述了NSYSU-MITLab團隊在福爾摩沙語音辨識競賽2020(Formosa Speech Recognition Challenge 2020, FSR-2020)中所實作的系統。我們使用多頭注意力機制(Multi-head Attention)所構成的Transformer架構建立了端到端的語音辨識系統,並且結合了連續性時序分類(Connectionist Temporal Classification, CTC)共同進行端到端的訓練以及解碼。我們也嘗試將編碼器更改為結合卷積神經網路(Convolutional neural network, CNN)與多頭注意力機制的Conformer架構。同時我們也建立了深度神經網路結合隱藏式馬可夫模型(Deep Neural Network-Hidden Markov Model, DNN-HMM),其中我們以時間限制自注意力機制(Time-Restricted Self-Attention, TRSA)及分解時延神經網路(Factorized Time Delay Neural Network, TDNN-F)建立深度神經網路的部分。最終我們在台文漢字任務上得到最佳的字元錯誤率(Character Error Rate, CER)為43.4%以及在台羅拼音任務上取得最佳的音節錯誤率(Syllable Error Rate, SER)25.4%。 |