用于儿童语音识别的年龄感知适配器调整

儿童自动语音识别 (ASR) 仍然具有挑战性，因为儿童语音与成人语音不同，并且在不同的发育阶段存在很大差异。虽然适配器调整提供了一种使大型预训练 ASR 模型适应儿童语音的有前途的方法，但单个共享子适配器可能无法完全捕获与年龄相关的变化。在这项工作中，我们提出了针对儿童 ASR 的年龄感知适配器调整的首批系统研究之一，重点关注 3-12 岁及以上儿童的语音。我们提出针对不同年龄组单独训练的年龄专用适配器，并将它们与统一的年龄条件 FiLM 适配器进行比较。借助 真值 年龄路由，年龄专用适配器在强大的共享子适配器基线的基础上将总体单词错误率 (WER) 从 12.5% 提高到 12.3%，将宏观年龄 WER 从 16.4% 提高到 16.1%，同时在所有四个已知年龄组中持续提高 WER。我们进一步表明，预测年龄路由仍然接近 真值 路由，在推理时没有 真值 年龄标签的情况下实现了 12.3% 的总体 WER 和 16.3% 的宏观年龄 WER。相比之下，统一 FiLM 调节并不能持续改善共享儿童适配器，这表明单个统一适配器可能不足以捕获儿童语音的发育变化。