Prédiction de performance des systèmes de reconnaissance automatique de la parole à l’aide de réseaux de neurones convolutifs [Performance prediction of automatic speech recognition systems using convolutional neural networks]

Dans ce travail, nous nous interessons a la tâche de prediction de performance des systemes de transcription de la parole. Nous comparons deux approches de prediction: une approche de l'etat de l'art fondee sur l'extraction explicite de traits et une nouvelle approche fondee sur des caracteristiques entrainees implicitement a l'aide des reseaux neuronaux convo-lutifs (CNN). Nous essayons ensuite de comprendre quelles informations sont capturees par notre modele neuronal et leurs liens avec differents facteurs. Pour tirer profit de cette analyse, nous proposons un systeme multitâche qui se montre legerement plus efficace sur la tâche de prediction de performance. ABSTRACT. This paper focuses on the ASR performance prediction task. Two prediction approaches are compared: a state-of-the-art performance prediction based on engineered features and a new strategy based on learnt features using convolutional neural networks. We also try to better understand which information is captured by the deep model and its relation with different conditioning factors. To take advantage of this analysis, we then try to leverage these 3 types of information at training time through multi-task learning, which is slightly more efficient on ASR performance prediction task. MOTS-CLES : prediction de performance, reconnaissance de la parole continue a grand vocabu-laire, reseau neuronal convolutif.