Siirry päänavigointiin Siirry hakuun Siirry pääsisältöön

Multilingual TTS Accent Impressions for Accented ASR

  • Georgios Karakasidis*
  • , Nathaniel Robinson
  • , Yaroslav Getman
  • , Atieno Ogayo
  • , Ragheb Al-Ghezi
  • , Ananya Ayasi
  • , Shinji Watanabe
  • , David R. Mortensen
  • , Mikko Kurimo
  • *Tämän työn vastaava kirjoittaja
  • University of Edinburgh
  • Carnegie Mellon University

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

6 Sitaatiot (Scopus)
170 Lataukset (Pure)

Abstrakti

Automatic Speech Recognition (ASR) for high-resource languages like English is often considered a solved problem. However, most high-resource ASR systems favor socioeconomically advantaged dialects. In the case of English, this leaves behind many L2 speakers and speakers of low-resource accents (a majority of English speakers). One way to mitigate this is to fine-tune a pre-trained English ASR model for a desired low-resource accent. However, collecting transcribed accented audio is costly and time-consuming. In this work, we present a method to produce synthetic L2-English speech via pre-trained text-to-speech (TTS) in an L1 language (target accent). This can be produced at a much larger scale and lower cost than authentic speech collection. We present initial experiments applying this augmentation method. Our results suggest that success of TTS augmentation relies on access to more than one hour of authentic training data and a diversity of target-domain prompts for speech synthesis.

AlkuperäiskieliEnglanti
OtsikkoText, Speech, and Dialogue - 26th International Conference, TSD 2023, Proceedings
ToimittajatKamil Ekštein, František Pártl, Miloslav Konopík
KustantajaSpringer
Sivut317-327
Sivumäärä11
ISBN (painettu)978-3-031-40497-9
DOI - pysyväislinkit
TilaJulkaistu - 2023
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaInternational Conference on Text, Speech, and Dialogue - Pilsen, Tshekki
Kesto: 4 syysk. 20236 syysk. 2023

Julkaisusarja

NimiLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
Vuosikerta14102 LNAI
ISSN (painettu)0302-9743
ISSN (elektroninen)1611-3349

Conference

ConferenceInternational Conference on Text, Speech, and Dialogue
LyhennettäTSD
Maa/AlueTshekki
KaupunkiPilsen
Ajanjakso04/09/202306/09/2023

Sormenjälki

Sukella tutkimusaiheisiin 'Multilingual TTS Accent Impressions for Accented ASR'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä