ICASSP 2022丨希尔贝壳1篇论文被录用

ICASSP（英文全称International Conference on Acoustics, Speech and Signal Processing）即国际声学、语音与信号处理会议，是全世界最大的，也是最全面的信号处理及其应用方面的顶级会议。它涵盖了音频和声学信号处理，图像、视频和多维信号处理，物联网的信号处理等多个方向，是中国计算机学会CCF推荐的B类会议。ICASSP2022拟于今年5月在新加坡举行。

近日，收到ICASSP 2022组委会正式通知，由西北工业大学音频语音和语言处理研究组(ASLP Lab)、出门问问、希尔贝壳合作的论文《WENETSPEECH: A 10000+ HOURS MULTI-DOMAIN MANDARIN CORPUS FOR SPEECH RECOGNITION》成功被ICASSP 2022录用。

题目：

《WENETSPEECH: A 10000+ HOURS MULTI-DOMAIN MANDARIN CORPUS FOR SPEECH RECOGNITION》

论文下载地址：

https://arxiv.org/pdf/2110.03370.pdf

作者：

Binbin Zhang, Hang Lv, Pengcheng Guo, Qijie Shao, Chao Yang, Lei Xie, Xin Xu, Hui Bu, Xiaoyu Chen, Chenchen Zeng, Di Wu, Zhendong Peng.

全球最大多领域中文语音识别数据集

WenetSpeech

WenetSpeech是由西北工业大学音频语音和语言处理研究组(ASLP Lab)、出门问问、希尔贝壳联合发布的1万小时多领域中文语音识别数据集。

WenetSpeech 除了含有 10000+ 小时的高质量标注数据之外，还包括2400+ 小时弱标注数据和 22400+ 小时的总音频，覆盖各种互联网音视频、噪声背景条件、讲话方式，来源领域包括有声书、解说、纪录片、电视剧、访谈、新闻、朗读、演讲、综艺和其他等10大场景。

△ 领域详细统计数据

数据收集：

WenetSpeech 所有的数据均来源于网络，其中三分之二的数据来自 Youtube，三分之一来自 Podcast。对于 Youtube 数据，我们人工选择含有嵌入式硬字幕（字幕嵌入在视频流中，非外挂字幕）的视频资源，并构建了基于 OCR 的系统进行数据挖掘。

数据校验：

OCR 字幕识别和 ASR 语音转写生成的候选平行数据中不可避免的存在一些错误，如人工字幕本身有错误，字幕时间不准，OCR 识别错误，转写错误等。为了检测该错误，WenetSpeech 中提出一种基于端到端的自动标注错误检测算法，如下图所示。该算法首先根据候选平行数据的文本(ref)构建一个一个强制对齐图，该图中允许在任意位置进行删除、插入和替换操作。然后将候选平行数据的语音输入到该图进行解码得到识别结果(hyp)，最终计算 ref 和 hyp 的编辑距离并做归一化从而得到该候选平行数据的置信度。当候选语音和文本一致性高时，ref 和 hyp 一致性高，置信度高，反之，当候选语音和文本一致性低时，置信度低。

WenetSpeech 中选取置信度>=95%的数据作为高质量标注数据，选取置信度在0.6和0.95之间的数据作为弱监督数据。关于该算法的详细内容，请参考我们的论文。

排行榜：

除了训练中校验用途的 Dev 集外，我们还设计了两个人工精标测试集，互联网测试集 Test_Net 和会议测试集 Test_Meeting，作为“匹配”和“不匹配”测试，同时提供三个语音识别主流工具包（Kaldi，ESPNet，WeNet）上搭建的基线系统，方便大家复现。在 10000+ 小时的高质量标注数据上，目前三个系统的语音识别率如下表所示（结果为 MER%，中文算字错误，英文算词错误）。