摘要

我们介绍了SpecAugment，一种用于语音识别的简单数据增强方法。SpecAugment直接应用于神经网络的特征输入（即滤波器组系数）。该增强策略包括对特征进行扭曲、遮蔽频率通道块以及遮蔽时间步长块。我们将SpecAugment应用于“听、注意和拼写”网络，以完成端到端的语音识别任务。在LibriSpeech 960小时和Switchboard 300小时任务中，我们达到了最先进的性能，超越了所有先前的工作。在LibriSpeech任务中，我们在不使用语言模型的情况下，在test-other测试集上实现了6.8%的词错误率（WER），而在浅层融合语言模型的情况下，实现了5.8%的WER。这相比之前最先进的混合系统7.5%的WER有所提升。对于Switchboard任务，在Hub5'00测试集的Switchboard/CallHome部分，我们在不使用语言模型的情况下分别实现了7.2%和14.6%的WER，在浅层融合语言模型的情况下分别实现了6.8%和14.1%的WER，相比之下，之前最先进的混合系统的WER为8.3%和17.3%。