Keyword-spotting für eingebettete Systeme auf Basis eines RNN-Transducers

Abstract

Die Signifikanz von Robotern ist in der heutigen Zeit unverzichtbar. Es ist weiterhin ein Problem, Roboter mit der menschlichen Sprache zu steuern. Das Problem kann als Keyword-Spotting Problem modeliert werden, die die Aufgabe hat, bestimmte Sprachbefehle zu erkennen. Neuronale Netzwerke werden immer häufiger im Bereich der Sprachverarbeitung verwendet, welche solche Probleme mit hoher Prezision zu lösen kann. Im Bereich von Embedded-Systemen sind solche Anwendungen limitiert, da neuronale Netzwerke generell hohe Resourcenanforderungen besitzen. Diese Arbeit evaluiert die Anwendbarkeit der RNN-Tranducer (RNN-T) Basisarchitektur als ein Keyword-Spotting System mit Embedded-Systemanforderungen. Die Experimente zeigen, dass sich mit limitierten und nicht optimalen Lerndaten das RNN-T nicht zum einem nutzbarem Optimum konvergiert. Potentielle Gründe werden hinsich der RNN-T Basisarchitektur Auswahl geschildert.

The significance of todays robots is greater than ever and society will be unthinkable without it in the future. Even though an active issue in this space, is how we control the robot without our voice. This problem can be categorized in the area of keywordspotting systems. Today’s neural networks can perform with the highest precision in the area of automatic speech-recognition because of recent advancements in this area. The usecase of neural networks is still limited to non-embedded platforms because usual neural networks have high resource utilization. The usability of an RNN-Transducer (RNN-T) as a keyword-spotting-system (KWS) is evaluated with embedded-systems requirements. The experiments show limited results in terms of convergence, probably because of limited and non-optimal training data. Potential reasons are explored as to why an RNN-T might not be an optimal choice as a base for a keyword-spotting-system.