[4N1-GS-7] Vision, speech media processing:

[4N1-GS-7-02] Efficient Data Sampling Strategy for Speech Recognition Based on Diversity and Uncertainty

〇Komei Hiruta¹, Yosuke Yamano², Hideaki Tamori² (1. Solvance LLC, 2. The Asahi Shimbun Company )

Keywords:Speech Recognition, Data Sampling

本研究では，画像データに対して有効とされている学習データ選択手法TypiClustを音声認識へ拡張し，その適用方法を提案する．音響的な多様性を考慮しつつ，書き起こしの不確実性が高いデータを優先的に学習することで，より少ないデータで効率的に音声認識モデルを学習することを意図している．具体的には，Wav2Vec2から得られた音声データの音響特徴量をクラスタリングし，クラスタごとに典型的かつ書き起こしの誤りが起こりやすいデータを優先的に選択する．日本語音声コーパスである CSJ および ReazonSpeech を対象とした実験では，ランダムなデータ選択や単一の基準に基づくデータ選択と比較して認識誤り率の改善を達成した．提案手法は，多様性と不確実性の両面を考慮したデータ選択により，ラベル付けコストを削減しつつ、音声認識モデルの性能が向上できることを示している.