声明：我主要从事语音合成，对语音识别的学习主要出于兴趣。文章内容摘要如有错误，还望读者指出，共同学习进步。
欢迎关注微信公众号：低调奋进
Comparing the Benefit of Synthetic Training Data for Various Automatic Speech Recognition Architectures
本文.04.12号由德国亚琛工业大学计算机科学系发布，主要对比使用TTS合成的数据对不同ASR架构的影响，具体的文章链接
/pdf/2104.05379.pdf
内容摘要
就目前的ASR架构，主要分为attentionencoder-decoder(AED)，connectionist-temporal-classification(CTC)和Hybrid ASR。其中效果最好的还是Hybrid ASR。本文主要使用TTS进行数据增广，使AED的性能逼近Hybrid ASR。
本文是TTS和ASR都使用LibriSpeech-100，合成使用的文本是LibriSpeech-360，具体的结果如table5所示，主要的结论如下：
1）使用TTS增广数据对AED提升很大，对HybridASR和CTC相对较小；
2）即使使用TTS增光数据，AED还是无法达到HybridASR的性能；
3）虽然TTS数据对HybridASR影响很小，本文使用LibriSpeech-100来训练HybridASR，在干净和噪声数据集上获得了目前WER较好的3.3%/10%的表现。
