摘要

我们提出了一种名为MatchboxNet的端到端神经网络，用于语音命令识别。MatchboxNet是一种深度残差网络，由一维时空可分离卷积、批归一化、ReLU激活函数以及丢弃（dropout）层组成的模块堆叠而成。在Google语音命令数据集上，MatchboxNet达到了当前最优的识别准确率，同时参数量显著少于同类模型。由于其模型体积小，MatchboxNet成为在计算资源受限设备上部署的理想候选方案。该模型具有高度可扩展性，仅需适度增加内存和计算资源即可进一步提升性能。最后，我们展示了通过引入辅助噪声数据集进行密集数据增强，能够有效提升模型在背景噪声环境下的鲁棒性。