asr | BriefGPT - AI 论文速递

关键词asr

搜索结果 - 109

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
PDF6 days ago
使用 RNNT Loss 进行语音前缀微调以改进 LLM 预测
本研究针对将 LLMs 应用于 ASR 时面临的限制进行了讨论，提出了使用 RNNT 损失进行语音前缀调优的方法，并通过语言软提示进一步改善，实证分析表明我们的方法在多种语言上取得了显著提升。
PDF12 days ago
ACL满语语音识别模型 ManWav
这项研究讨论了在高资源语言和极低资源语言之间自动语音识别（ASR）研究的差距扩大的问题，重点关注满洲语，这是一种濒临灭绝的语言。研究引入了第一款满洲语 ASR 模型 ManWav，利用 Wav2Vec2-XLSR-53 技术。在采用增强数据
PDF13 days ago
增强式儿童语音识别技术的改进
儿童语音识别的表现有待提高，本研究通过对现有数据集中的儿童语音和额外的儿童说话人进行单语和跨语言转换来研究儿童间的语音转换，结果表明跨语言儿童间语音转换能显著提高儿童语音识别性能。对儿童间跨语言语音转换产生的数据量对微调自注意力模型和 Wh
PDF20 days ago
混合监督语音处理的预训练大型语言模型的离散多模态变换器
本文介绍了一种仅有解码器的离散多模态语言模型（DMLM），可以灵活应用于多个任务（ASR，T2S，S2TT 等）和模态（文本，语音，视觉），并探索了离散多模态模型的几个关键方面，包括损失函数、权重初始化、混合监督训练和码本。结果表明，通过组
PDFa month ago
ICLRCrossVoice：使用迁移学习的跨语言韵律保持级联 S2ST
该论文介绍了 CrossVoice，这是一种采用先进的 ASR、MT 和 TTS 技术的级联式语音到语音翻译（S2ST）系统，通过迁移学习实现跨语言语调保留。我们通过与直接 S2ST 系统的全面实验比较，展示了在 Fisher Es-En、
PDFa month ago
SoccerNet-Echoes: 一个足球比赛音频评论数据集
在足球领域，应用自动语音识别（ASR）技术提供了许多运动分析的机会，本研究介绍了 SoccerNet-Echoes 数据集，利用 ASR 自动生成足球比赛音频解说的文字转录，通过丰富的文字信息增强视频内容，扩展了 SoccerNet 数据集
PDF2 months ago
多任务多语言语音模型的高效压缩
在这项研究中，我们发现了 Whisper 这个多任务和多语言语音模型在少数语言上的性能问题，并证明这是与讲话者特征及模型相关偏差有关。针对这个问题，我们提出了 DistilWhisper 方法，通过轻量级的模型微调和知识蒸馏策略，在保留了多
PDF2 months ago
基于公共语音识别语料训练的仅解码器模型的极限探索
本文研究了使用公共英语 ASR 语料库训练仅解码器模型（DOTA）相比于基于编码器 - 解码器的开源复制模型（OWSM）和 Whisper 的大型语言模型（Whisper large-v3），在几乎所有英语 ASR 基准测试集上取得更好的性
PDF5 months ago
上下文大小对语音预训练的影响：更大并不总是更好
调查了自监督学习中使用多少上下文能够实现高质量的预训练声学模型，发现在训练和推理过程中，40ms 的上下文能够达到最佳的音素可辨识性，而太多上下文则会显著降低表示质量，并且这种模式在监督 ASR 中也适用，当预训练表示被用作冻结输入特征时。
PDF7 months ago
关于自动语音识别表示在现实世界噪音语音情感识别中的有效性
本文提出了一种高效的噪声语音情感识别（NSER）方法，通过采用自动语音识别（ASR）模型作为噪声鲁棒特征提取器来消除噪声语音中的非语音信息，以解决传统 NSER 方法在真实环境中对非平稳噪声的复杂性和不确定性的限制。实验证明，该方法在 NS
PDF8 months ago
改进儿童语音识别的 Conformer-Transducer、Whisper 和 wav2vec2 的比较分析
该研究旨在探索将最先进的 Conformer-transducer 模型适应儿童语音以提高儿童语音识别性能，并将结果与之前在相同数据上进行微调的自监督 wav2vec2 模型和半监督多领域 Whisper 模型进行比较。通过详细的对比分析，
PDF8 months ago
注意力还是卷积：用于推理效率的音频语言模型中的 Transformer 编码器
通过本文研究发现，使用简单的自监督预训练音频模型能够实现与复杂的预训练模型相媲美的推理效率，同时采用自注意力模块与卷积模块相结合的语音转换器能够在 ASR 上取得最先进的性能表现，同时使用较低位权重量化技术的神经网络的简单方法，能够提高效率
PDF8 months ago
DistilWhisper: 通过语言专家高效蒸馏多任务语音模型
DistilWhisper 是一个轻量级模块化的 ASR 框架，通过语言专家和知识蒸馏的方式提高了 Whisper 的性能，同时保留了多任务和多语言预训练模型的鲁棒性，在目标语言中提高了 ASR 性能而仅引入了可忽略的参数开销。
PDF8 months ago
Wiki-En-ASR-Adapt：大规模英语自动语音识别定制的合成数据集
提出一个首个大规模的公开合成数据集，用于上下文拼写检查自定义自动语音识别（ASR）中的多样罕见和词汇外（OOV）短语，如专有名词或术语。通过注入两种类型的 “困难负面” 短语到模拟的偏见列表中，我们的方法可以创建数百万个真实的损坏 ASR
PDF9 months ago
HYKIST 项目中越南语自动语音识别的无监督预训练
通过开发音频识别和机器翻译系统以改善医患沟通，该研究旨在为解决医疗领域的语言难题提供支持，探讨训练计划和数据整合策略，以优化性能。
PDF9 months ago
DifAttack: 通过分离的特征空间进行高效查询的黑盒攻击
本研究致力于探索高攻击成功率（Attack Success Rate，ASR）和良好通用性的高效评分型黑盒对抗攻击。我们设计了一种基于解耦特征空间的新型攻击方法，称为 DifAttack，它与现有的在整个特征空间进行操作的方法有显著不同。具
PDF9 months ago
仅用于困难音频的大模型：高效推理的样本相关私语模型选择
基于自动语音识别（ASR）领域中模型尺寸和推理成本的观察，通过训练一个决策模块，可以在测试数据的大部分模块上使用最小的足够模型达到良好的转录效果，从而实现了相当大的计算节省和性能提升。
PDF9 months ago
利用数据收集和无监督学习对突尼斯阿拉伯语混合语音自动识别的提升
本研究旨在解决突尼斯方言语音识别的挑战，通过采集和注释文本和音频数据，并探索自监督、半监督和少样本代码转换方法，使其在不同的突尼斯测试集中取得前沿成果，最终通过人工评估确保翻译的准确性，所提出的模型适用于突尼斯阿拉伯语、英语和法语的语言混合
PDF9 months ago
Hypr: ASR 假设修订的全面研究与参考文献
通过发布 ASR 假设修正（HypR）数据集和对几种经典的代表性方法进行实现和比较，展示了修正语音识别结果的最新研究进展，希望这些公开可用的 HypR 数据集能够成为进一步研究的参考基准，并推动相关研究领域的发展。
PDF9 months ago