说话人相关的语音识别系统需要多少训练数据？

Question

为了实现高精度(< 15%的WER)说话人相关ASR系统，需要从说话人那里获得多少训练数据？

另外，依赖于说话人的模型通常会有一个更大的音频语料库(来自许多说话人)来补充吗？还是他们只使用来自单个扬声器的数据？

Answer 1

为了实现高精度(< 15%的WER)说话人相关ASR系统，需要从说话人那里获得多少训练数据？

30-40个小时。

另外，依赖于说话人的模型通常会有一个更大的音频语料库(来自许多说话人)来补充吗？

有时候。

还是他们只使用来自单个扬声器的数据？

可以从1到2小时的说话人数据和来自其他说话人的300+小时数据构建依赖于说话人的说话人。与收集单个说话人数据相比，这条路径不那么简单。

Answer 2

答案因您所使用的库而异。对于嵌入式语音控制系统，我使用了Sensory的TrulyHandsFree SDK和扬声器特定的训练。他们的过程调整识别网络，从一个说话人独立的模型开始，并建立在此基础上。要进行合理准确的说话人识别，需要512到1024个说话人特定的训练样本，因此需要45分钟到3小时的数据。

但是，如果你不需要说话人识别，默认模型的准确率超过85%，假设语法很小，不需要任何说话人特定的训练。我所做的所有工作都是使用相对较小的语法，所以说话人识别是我们进行说话人特定训练的唯一原因。

如果你需要任何不受限制的ASR，那就超出了我的练习范围。