In embedding-matching acoustic-to-word (A2W) ASR, every word in the vocabulary is represented by a fixed-dimension embedding vector that can be added or removed independently of the rest of the system. The approach is potentially an elegant solution for the dynamic out-of-vocabulary (OOV) words problem, where speaker- and context-dependent named entities like contact names must be incorporated into the ASR on-the-fly for every speech utterance at testing time. Challenges still remain, however, in improving the overall accuracy of embedding-matching A2W. In this paper, we contribute two methods that improve the accuracy of embedding-matching A2W. First, we propose internally producing multiple embeddings, instead of a single embedding, at each instance in time, which allows the A2W model to propose a richer set of hypotheses over multiple time segments in the audio. Second, we propose using word pronunciation embeddings rather than word orthography embeddings to reduce ambiguities introduced by words that have more than one sound. We show that the above ideas give significant accuracy improvement, with the same training data and nearly identical model size, in scenarios where dynamic OOV words play a crucial role. On a dataset of queries to a speech-based digital assistant that include many user-dependent contact names, we observe up to 18% decrease in word error rate using the proposed improvements.
翻译:在嵌入匹配声词对词( A2W) ASR 时,词汇中的每个字都代表着一个固定的二进制嵌入矢量,可以与系统其他部分分开添加或删除。该方法有可能是动态外词汇(OOOV)问题的一个优美解决方案,在动态外词汇(OOOV)中,像联系人姓名这样的发言者和背景上依赖名称的实体必须包含在测试时每次语音发言的实时ASR中。然而,在提高嵌入匹配 A2W的总体准确性方面仍然存在挑战。在本文中,我们贡献了两种方法,可以提高嵌入匹配 A2W 的准确性。首先,我们建议内部制作多个嵌入式嵌入,而不是单嵌入一个单词(OOOV)词的问题。这样,A2W模型就可以在音频段中提出更丰富的假设。第二,我们提议使用“ 读音嵌入” 而非“ 单词嵌入” 来减少含的语义。我们用一个声音以上词来提供两种方法,我们提出的“ ” 将“O- 精确度” 显示一个非常精确的语音” 的图像,, 将“ 显示一个基于” 数字” 的“ 数据” 显示一个基于” 的“ 许多” 的“ 的“ 数据” 的“ 的“ 的“ 的” 的“ 的” 的” 的“ 的” 的“ 的” 显示一个基于” 的” 的“ 的”, 在基于” 的” 的” 格式中, 在基于” 的“ 的“ 的” 的“ 的” 定义中, 在“ 的” 的“ 显示一个“ 的“ 的” 的” 显示一个“ 的” 的” 的” 的” 的” 的” 的” 的“ 的” 的“, 在“ 以, 以 以 以 以 以 的”, 在” 以 以 以 以 以 的” 的” 的” 的” 以 以 以 以 以 以 以 以 以 以 以 以 以 的” 以