科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对英语翻译器语音自动翻译纠正准确率的问题，结合卷积神经网络(Convolutional Neural Networks, CNN)和Transformer模型，提出基于CNN+Transformer端到端的自动翻译纠正模型。模型通过利用CNN模型平移和旋转不变性的特点，以缓解语音信号的多变性，并结合Transformer模型的多头自注意力机制兼顾语音特征和距离特征帧之间的依赖关系，进而提高模型的并行计算能力，实现了高效、准确的英语翻译器语音自动翻译纠正。最后，通过在CCMT2019-BSTC数据集上进行仿真，验证了所提CNN+Transformer模型的有效性。仿真结果表明，所提CNN+Transformer模型具有良好的语音自动翻译效果，BLEU值为19.23,参数规模和训练时长分别为18.99 M和5.4 min,相较于当下常用端到端翻译模型seq2seq模型、级联翻译模型NMT模型和cascade模型，具有更好的翻译效果，且具有一定的有效性和优越性，可用于实际英语翻译器语音自动翻译。
- 单位
