原创力文档- 1、本文档共7页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
基于荷兰档案数据的语音表示自监督学习
NikVaessen,RoelandOrdelman,DavidA.vanLeeuwen
InstituteforComputingandInformationScience,RadboudUniversity,TheNetherlands
HumanMediaInteraction,UniversityofTwente,TheNetherlands
NetherlandsInstituteforSoundandVision,TheNetherlands
nvaessen@science.ru.nl,rordelman@beeldengeluid.nl,dvanleeuwen@science.ru.nl
Abstract计算预算和数据集规模下，荷兰语单语言预训练
对于荷兰语语音识别是否更有益。
本文探讨了使用荷兰档案电视广播数据进行语音
为了回答这个问题，我们构建了一个55千小
基础模型的自监督学习，特别是wav2vec2.0。我
时的荷兰语音频数据集用于预训练。为此，我们使
们首先研究了预训练的数据质量假设，并展示了
用了来自荷兰声音与视觉研究所的一个（80千小
音乐、噪音和说话人重叠如何影响SSL收敛和下
时）档案荷兰电视广播数据集合。然而，在原始集
本游微调性能。其次，我们探索了有效的预处理策合上进行预训练失败了。因此，我们首先对数据假
译略，通过使用Whisper和WhisperX将嘈杂的广播设和有益的预处理步骤进行了分析。基于典型预
数据集转换为可用于预训练的质量数据集。第三，
中训练数据集[9]的质量，我们推测需要能够容易地
我们将单语种和多语种预训练进行了比较，使用
2将数据集分割成包含语音（话语）的音频序列。这
v等量的数据，并表明单语种预训练对域外数据更
4具鲁棒性。最后，我们通过对wav2vec2.0XLS-R些话语必须相对较短，在1到30秒的数量级上，
5并且整个话语长度都始终包含语音。此外，一段话
5模型检查点进行延续预训练，结合我们的55k小时
4语中的语音必须是单一发言人的。最后，数据集中
0档案数据集，达到了荷兰语言的最新大型wav2vec
.背景噪音有限，没有音乐存在，无论是器乐、声乐
72.0模型。
0还是两者的混合。不幸的是，我们收集的荷兰广播
5IndexTerms:自监督学习，数据质量，多语言音频并不立即满足这些条件，这促使我们必须分
2
:析如何有效地清理原始数据集以进行语音SSL。
v1.介绍
i
x
文档评论（0）