音声認識のための音声拡張

データ拡張は、トレーニングデータの量を増やし、過学習を避け、モデルの頑健性を向上させるために広く採用されている戦略です。本論文では、生の信号を直接処理するオーディオレベルの音声拡張手法を検討します。特に推奨する方法は、オーディオ信号の速度を変えることで、速度係数が0.9、1.0、1.1の3つのバージョンの元の信号を生成するものです。提案手法は実装コストが低く、採用しやすいです。100時間から1000時間までのトレーニングデータ量を持つ4つの異なるLVCSRタスクで結果を示し、様々なデータシナリオにおける音声拡張の有効性を検証しました。4つのタスク全体で平均相対改善率4.3%が観察されました。