摘要

我们提出了一种用于自动语音识别（ASR）的新一代端到端神经声学模型。该模型由多个模块组成，模块之间通过残差连接（residual connections）相连。每个模块包含一个或多个由一维时空可分离卷积层（1D time-channel separable convolutional layers）、批归一化（batch normalization）以及ReLU激活层构成的组件。模型采用连接时序分类（CTC）损失函数进行训练。实验结果表明，该模型在LibriSpeech和Wall Street Journal数据集上均达到了接近当前最先进水平的识别准确率，同时参数量少于所有对比模型。此外，我们还证明该模型能够有效地在新数据集上进行微调（fine-tuning）。