Raining Words: Can Automatic Speech Recognition models transcribe metal music subgenres?
Raining Words : Les modèles d'ASR peuvent-ils retranscrire les sous-genres de Metal ?
Résumé
Extreme vocal styles in Metal music are known for their intensity, vocal saturation, and low intelligibility. In this paper, we evaluate the ability of recent Automatic Speech Recognition (ASR) models to transcribe such vocals in an out-of-distribution (OOD) setting. We assess five state-of-the-art ASR models using two types of data: isolated extreme vocal recordings and full metal songs from various subgenres. We also apply source separation techniques to extract vocals from the music tracks. Our results show that these models struggle to accurately transcribe extreme vocals, especially in cases of severe vocal distortion or atypical prosody.
Les styles extrêmes de chant associés à la musique Metal sont réputés pour leur intensité, leur saturation vocale et leur faible intelligibilité. Dans cet article, nous étudions la capacité des modèles récents de reconnaissance automatique de la parole (ASR) à retranscrire ce type de voix, en nous plaçant dans un cadre de données hors-distribution (OOD). Pour cela, nous évaluons cinq modèles d'ASR à l'état de l'art sur deux types de corpus : des enregistrements vocaux (chant seul), et un ensemble de chansons extraites de divers sous-genres du Metal. Nous appliquons également des techniques de séparation de sources pour isoler la voix dans les morceaux. Nos résultats montrent que les modèles considérés peinent à retranscrire correctement les paroles des chants extrêmes, particulièrement dans les cas de saturation vocale sévère ou de prosodie atypique.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |