Effizientes Keyword Spotting mit Zeitverzögerungsneuralnetzen

Dieses Papier beschreibt eine neuartige Methode zur Echtzeit-Schlüsselworterkennung unter Verwendung eines zweistufigen Zeitverzögerungsneuronalen Netzes (Time Delay Neural Network). Das Modell wird durch Transfer-Lernen trainiert: Eine anfängliche Ausbildung mit Telefonzielwerten aus einem großen Sprachkorpus wird durch eine weitere Ausbildung mit Schlüsselwortzielwerten aus einem kleineren Datensatz ergänzt. Die Genauigkeit des Systems wird an zwei getrennten Aufgaben evaluiert. Die erste ist das frei verfügbare Google Speech Commands-Datenset. Die zweite ist eine speziell für die Schlüsselworterkennung entwickelte interne Aufgabe. Die Ergebnisse zeigen erhebliche Verbesserungen der Fehlakzept- und Fehlabweisraten sowohl in sauberen als auch in verrauschten Umgebungen im Vergleich zu bisher bekannten Techniken. Darüber hinaus untersuchen wir verschiedene Methoden zur Reduzierung der Berechnungsaufwand in Bezug auf Multiplikationen pro Sekunde Audiodaten. Im Vergleich zu kürzlich veröffentlichten Arbeiten bietet das vorgeschlagene System bis zu 89 % Ersparnis bei der Rechenaufwandskomplexität.