Modèles à base d'attention pour la reconnaissance de la parole

Les générateurs de séquences récurrents conditionnés aux données d'entrée par le biais d'un mécanisme d'attention ont récemment montré de très bonnes performances sur une variété de tâches, notamment la traduction automatique, la synthèse d'écriture manuscrite et la génération de légendes d'images. Nous étendons le mécanisme d'attention avec des fonctionnalités nécessaires pour la reconnaissance vocale. Nous démontrons que, bien qu'une adaptation du modèle utilisé pour la traduction automatique atteigne un taux d'erreur phonétique (PER) compétitif de 18,7 % sur la tâche de reconnaissance phonétique TIMIT, elle ne peut être appliquée qu'à des énoncés dont la longueur est approximativement similaire à celle des énoncés sur lesquels elle a été entraînée. Nous proposons une explication qualitative de cet échec et suggérons une nouvelle méthode générique permettant d'ajouter une conscience spatiale au mécanisme d'attention afin d'atténuer ce problème. La nouvelle méthode produit un modèle robuste aux entrées longues et atteint un PER de 18 % dans les énoncés simples et de 20 % dans les énoncés 10 fois plus longs (répétés). Enfin, nous proposons une modification du mécanisme d'attention qui empêche celui-ci de se concentrer trop fortement sur des cadres individuels, ce qui réduit encore davantage le PER à un niveau de 17,6 %.