Abstract

본 연구의 목표는 사용자가 정의한 새로운 키워드(keyword)를 탐지하는 것입니다. 대부분의 이전 연구들은 Keyword Spotting (KWS)을 폐쇄된 집합(closed-set) 분류 문제로 다루었으나, 이는 보이지 않는 용어에 대한 전이(transferability) 가능성을 제한합니다. 사용자 정의 키워드를 정의하는 능력은 사용자 경험 측면에서 이점을 제공합니다. 본 논문에 사용자 정의 keyword spotting을 위한 metric learning 기반의 훈련 전략을 제안합니다. 이 논문이 기여하는 부분은 다음과 같습니다. 기존의 speech corpus를 사용하여 대규모 keyword dataset을 구축하고, 모델 훈련을 저해하는 데이터를 제거하기 위한 filtering method를 제안합니다. metric learning 기반의 two-stage training strategy를 제안하고, 제안된 방법이 표현을 풍부하게 함으로써 사용자 정의 keyword spotting 작업의 성능을 향상시킴을 입증합니다. 사용자 정의 KWS 분야에서의 공정한 비교를 위해, unified evaluation protocol과 metrics를 제안합니다.제안된 시스템은 사용자 정의 키워드에 대한 incremental training을 필요로 하지 않으며, 제안된 지표와 기존 지표를 사용하여 Google Speech Commands dataset에서 이전 연구들의 성능을 넘어서는 성과를 보였습니다.