日本語
 
Help Privacy Policy ポリシー/免責事項
  詳細検索ブラウズ

アイテム詳細

  Bootstrapping meaning through listening: Unsupervised learning of spoken sentence embeddings

Zhu, J., Tian, Z., Liu, Y., Zhang, C., & Lo, C. (2022). Bootstrapping meaning through listening: Unsupervised learning of spoken sentence embeddings. arXiv. doi:10.48550/arXiv.2210.12857.

Item is

基本情報

表示: 非表示:
アイテムのパーマリンク: https://hdl.handle.net/21.11116/0000-000C-0F19-9 版のパーマリンク: https://hdl.handle.net/21.11116/0000-000C-F0B1-C
資料種別: Preprint

ファイル

表示: ファイル
非表示: ファイル
:
Zhu_pre.pdf (プレプリント), 2MB
ファイルのパーマリンク:
https://hdl.handle.net/21.11116/0000-000C-0F1B-7
ファイル名:
Zhu_pre.pdf
説明:
-
OA-Status:
Green
閲覧制限:
公開
MIMEタイプ / チェックサム:
application/pdf / [MD5]
技術的なメタデータ:
著作権日付:
-
著作権情報:
-

関連URL

表示:

作成者

表示:
非表示:
 作成者:
Zhu, Jian, 著者
Tian, Zuoyu, 著者
Liu, Yadong, 著者
Zhang, Cong, 著者
Lo, Chiawen1, 著者           
所属:
1Max Planck Research Group Language Cycles, MPI for Human Cognitive and Brain Sciences, Max Planck Society, ou_3025666              

内容説明

表示:
非表示:
キーワード: -
 要旨: Inducing semantic representations directly from speech signals is a highly challenging task but has many useful applications in speech mining and spoken language understanding. This study tackles the unsupervised learning of semantic representations for spoken utterances. Through converting speech signals into hidden units generated from acoustic unit discovery, we propose WavEmbed, a multimodal sequential autoencoder that predicts hidden units from a dense representation of speech. Secondly, we also propose S-HuBERT to induce meaning through knowledge distillation, in which a sentence embedding model is first trained on hidden units and passes its knowledge to a speech encoder through contrastive learning. The best performing model achieves a moderate correlation (0.5~0.6) with human judgments, without relying on any labels or transcriptions. Furthermore, these models can also be easily extended to leverage textual transcriptions of speech to learn much better speech embeddings that are strongly correlated with human annotations. Our proposed methods are applicable to the development of purely data-driven systems for speech mining, indexing and search.

資料詳細

表示:
非表示:
言語: eng - English
 日付: 2022-10-23
 出版の状態: オンラインで出版済み
 ページ: -
 出版情報: -
 目次: -
 査読: -
 識別子(DOI, ISBNなど): DOI: 10.48550/arXiv.2210.12857
 学位: -

関連イベント

表示:

訴訟

表示:

Project information

表示:

出版物 1

表示:
非表示:
出版物名: arXiv
種別: Web Page
 著者・編者:
所属:
出版社, 出版地: -
ページ: - 巻号: - 通巻号: - 開始・終了ページ: - 識別子(ISBN, ISSN, DOIなど): -