SpeechColab 排行榜：一个用于自动语音识别评估的开源平台

Mar, 2024

SpeechColab 排行榜：一个用于自动语音识别评估的开源平台

SpeechColab Leaderboard: An Open-Source Platform for Automatic Speech Recognition Evaluation

Jiayu Du, Jinpeng Li, Guoguo Chen, Wei-Qiang Zhang

TL;DR本研究介绍了一个通用、开源的自动语音识别评估平台 SpeechColab Leaderboard，并使用此平台报告了一项全面的基准测试，揭示了自动语音识别系统的最新发展状况，包括开源模型和商业服务，还修改了传统的 Token-Error-Rate（TER）评估指标，提出了一种名为 modified-TER（mTER）的适应性改进，该研究通过大规模测试表明 mTER 的鲁棒性和向后兼容性。

Abstract

In the wake of the surging tide of deep learning over the past decade, automatic speech recognition (ASR) has garnered substantial attention, leading to the emergence of numerous publicly accessible asr systems t

automatic speech recognition asr systems speechcolab leaderboard benchmark modified-ter

发现论文，激发创造

NPTEL MOOC 数千个视频间的单词错误率差异的深入研究

本研究描述了一个庞大的语音数据集的构建过程，并利用该数据集评估了印度不同演讲者的性别、籍贯、年龄和语速对 YouTube 自动字幕和 OpenAI Whisper 模型性能的影响。结果表明需要更具包容性和鲁棒性的 ASR 系统以及更具代表性的数据集进行差异性评估。

Jul, 2023

语音鲁棒性基准测评：一个语音识别鲁棒性评估基准

自动语音识别模型在物理世界和数字世界中的多样化损坏下进行可靠预测的鲁棒性评估是至关重要的。我们提出了一个全面的基准测试工具 Speech Robust Bench (SRB) 来评估 ASR 模型在各种损坏条件下的鲁棒性。通过使用 SRB 评估顶尖 ASR 模型的鲁棒性，我们观察到模型大小、离散表示以及自我训练等建模选择对于鲁棒性有积极影响。我们还进一步测量 ASR 模型在不同社会群体（如英语和西班牙语使用者，男性和女性）的数据上的鲁棒性，并观察到鲁棒性在不同群体之间存在明显差异。我们相信 SRB 将有助于推动鲁棒 ASR 模型的未来研究，使全面且可比较的鲁棒性评估更加容易进行。

Mar, 2024

HyPoradise: 一种基于大型语言模型的生成式语音识别的开放基准

采用外部巨大语言模型 (LLMs) 进行自动语音识别 (ASR) 错误订正的首个开源基准测试涵盖了超过 334,000 个 N-best 假设及相应准确转录数据对，通过三种不同程度标记的假设 - 转录对利用 LLMs 实现了显著的词错误率 (WER) 降低，实验结果表明该技术突破了传统的重新排名方法上限并具备生成能力，从而纠正了 N-best 列表中缺失的标记，提供了一个基于 LLMs 的 ASR 错误订正的全新评估范式。

Sep, 2023

EasyASR：一种用于端到端自动语音识别的分布式机器学习平台

EasyASR 是一个分布式机器学习平台，用于在分布式 GPU 集群上训练和提供大规模的自动语音识别模型，并收集和处理大规模音频数据。该平台支持预定义或用户自定义网络体系结构的 ASR 模型学习，并在多个公共数据集上实现了普通话语音识别的最新成果。

Sep, 2020

SpeechNet：工业级弱监督端到端语音识别

本文提出了一种在标注稀缺，计算有限的情境下训练和部署自动语音识别系统的方法，使用第三方 ASR 系统和用户反馈标记函数作为弱监督来源，采用不同输入长度的 CUDA 图形池来加速推理，称为 SpeechNet 系统，在智能电视上实现了 Wav2vec 技术的大规模部署，获得了 8% 的词错误率相对改进和 600% 的加速。

Nov, 2022

工业级多语种自动语音识别的解剖

描述了 AssemblyAI 的工业规模自动语音识别（ASR）系统的结构和性能优势，包括模型架构、词错误率、代码切换能力等关键方面。

Apr, 2024

实用自动语音识别与后处理：可解释错误基准指南的呼吁

通过提出一个 Speech 和 Text 综合考虑的 Error Explainable Benchmark 数据集，我们能够更全面地了解 ASR 模型的不足之处，消除系统的弱点，从而提高用户体验。

Jan, 2024

情感导向的自动语音识别预训练，增强语音情感识别

提出了一种新颖的多任务预训练方法，用于语音情感识别，在同时进行自动语音识别和情感分类任务的情况下对 SER 模型进行预训练，生成目标情感分类的方法，通过公开数据训练的文本情感模型，将声学 ASR 模型更加 “情感感知”，最终在情感注释语音数据上进行了微调，达到了 MSP-Podcast 数据集中价值预测最佳的一致性相关系数（CCC）0.41。

Jan, 2022

自动语音识别系统 —— 印地语

自动语音识别（ASR）是计算语言学的一个关键领域，主要研究开发能够使计算机将口语转换为文本的技术。该研究聚焦于开发基于 JavaScript 和 Node.js 的网络应用程序和语音识别的网络界面，使用监督学习训练改善语音识别的神经网络，并设计对声音信号进行准确对齐的新型反向传播方法。

Jun, 2024

连接人文社科：应用语言与语音技术于在线问卷调查

本文研究如何运用语音和语言技术处理荷兰面板调查中的开放性问题，使用自动语音识别处理口头回答并使用 transformer 模型进行情感分析和主题模型分析。

Feb, 2023