论文
减少自监督语音表示中的口音与语言混淆
Mitigating Accent-Language Confusion in Self-Supervised Speech Representations for Language Identification
摘要
口语识别（LID）旨在识别目标语言，无论口音如何。然而，在实践中，根据自监督语音表示进行微调的 LID 模型经常将口音与语言混淆，将非母语 (L2) 语音错误地分类为说话者的第一语言 (L1)。我们发现非母语语音表示位于母语目标语言和母语 L1 极点之间，导致系统性错误分类。为了解决这个问题，我们引入了一种几何投影，该几何投影仅根据本机语音估计 L1 偏置方向，并在冻结 LID 头部之前将其删除。在五个 MMS-LID 模型和非母语语料库中，该投影极大地改进了 L2 口音语音的目标语言识别，同时保留了对母语语音的预测。这些结果表明，口音引起的 L1 偏差可以在表示空间内直接纠正，无需 L2 训练数据或模型调整。