asr | BriefGPT - AI 论文速递

关键词asr

搜索结果 - 109

基于大型预训练基础模型的多语言说话人变更检测（USM-SCD）
我们引入了一种多语种说话人变更检测模型（USM-SCD），可以同时检测 96 种语言的说话人转换并进行 ASR。通过一系列消融研究，我们分析了这种多语种说话人变更检测模型的性能，并证明了从大规模通用基础模型进行微调对下游任务的实用性。USM
PDF10 months ago
机器与人类在会议摘要中的合作：Minuteman
一个名为 Minuteman 的新工具，提供实时的会议语音转录和摘要，允许用户实时协同编辑，以便纠正 ASR 错误和摘要不准确之处，从而减轻记录员的认知负荷并方便了解错过的会议内容。
PDF10 months ago
适应童声识别的 Whisper 模型
我们的研究旨在探索能否将已存在的多语种 ASR 模型，如 Whisper，适应于儿童语音以提高儿童 ASR 性能，并将 Whisper 适应于儿童语音的结果与基于自监督模型 wav2vec2 进行微调的结果进行比较，结果显示在儿童语音上对
PDFa year ago
一种用于普通话语音识别中快速扩充口音领域的元学习方案
通过元学习技术，本研究提出了一种快速扩展普通话语音识别中口音领域的方法，有效地改善了普通话语音识别在口音方面的性能，比其他方法相对提高了约 3%。
PDFa year ago
模态可信度感知的鲁棒端到端口语理解训练
提出了一种增强对 ASR 错误鲁棒性的新型端到端（E2E）口语理解（SLU）系统，通过基于 ASR 假设的估计模态置信度融合音频和文本表示，来解决 E2E SLU 系统在文本表示质量低时的问题，并通过在 STOP 数据集上的准确性改进和分析
PDFa year ago
CHiME-7 DASR 挑战赛：异地会议多设备转录应用于多样化场景
本文介绍了第七届 CHiME 挑战赛中的远场 ASR (DASR) 任务，并描述了挑战的设计、动机和基本研究问题，该任务旨在通过使用自我监督的语音表示法（SSLR）来设计一种可以跨越不同阵列几何和用例的单一系统。
PDFa year ago
为保障警方问责而开发语音处理流程
本文研究如何使用大型预训练语音模型来提高警察配戴录音摄像头记录的交通站点片段的自动语音识别性能，并发现 fine-tuning 技术可以大大提高识别性能。
PDFa year ago
口语阅读准确性自动评估于阅读诊断
本研究通过使用 ASR 技术自动评估荷兰语口头阅读准确度，证明采用手动正字法转录和阅读测试数据中的阅读错误进行语言模型可以提高评估性能。
PDFa year ago
基于 N-Shot 的 Whisper 在多样化阿拉伯语音识别中的基准测试
本研究对 Whisper 在多种阿拉伯口音（包括几种没见过的口音）上进行了综合评估，结果发现 Whisper 在零 - shot 设置下性能较好，但在五种未见过的方言上性能明显下降。
PDFa year ago
基于认识不确定性的数据选择，将预训练的 ASR 模型适应于低资源临床语音
使用信息不确定性的数据选择方法可以减少成本并提高在稀缺数据情况下非洲口音临床自动语音识别的泛化性能，并优于现有最先进 ASR 模型
PDFa year ago
基于编辑距离的强化学习在 RNNT 解码中的应用
提出一种基于编辑距离计算奖励的增强学习方法，使 RNN-T 模型在推理时更接近训练时的效果。在 LibriSpeech 上表现出了 SoTA WERs。
PDFa year ago
MMHyperConformer：用于高效语音识别的多头超级混合器
本文介绍了一种名为 HyperConformer 的语音识别结构，它通过引入高效的 HyperMixer 机制，实现了对于长输入序列较为经济的全局交互建模，并在可获得的训练数据限制下达到与或高于传统结构 Conformer 相似的识别表现。
PDFa year ago
传递性探究：Whisper 语音表示在 “野外” 跨任务下游应用中的适用性
本文通过探究 Whisper 模型在 ASR 和其他四个语音任务中的泛化性以及在嘈杂环境下的鲁棒性，证明了其表现出色并具有实际应用价值。
PDFa year ago
通过声学和语义合作解码重新思考多模态视角下的语音识别
该论文提出了一种声学和语义协同解码器 ASRD，可以同时利用声学和语义特征来提高自动语音识别的性能。通过引入因果多模态屏蔽，可以防止在训练期间的信息泄漏，并且还提出了一种改良版的半监督 ASCD 来平衡准确性和计算成本。实验结果表明，ASR
PDFa year ago
VAKTA-SETU: 一种选择印度语言的语音到语音机器翻译服务
本文介绍了面向英 - 印度语、英 - 马拉缇语和印度 - 马拉缇语语言对的部署就绪的语音 - to 语音机器翻译（SSMT）系统，该系统通过级联自动语音识别（ASR）、行话校正（DC）、机器翻译（MT）和文本 - to 语音合成（TTS）模
PDFa year ago
适用于低资源语音识别的语言通用语音编码器
使用国际音标为基础的语言通用的语音模型在多语言音频识别中表现出良好效果，且通过自适应方法在极低资源语言的情况下改进了识别性能。
PDFa year ago
基于非自回归端到端语音识别系统的准确可靠置信度估计
这篇论文提出了 CIF-Aligned 的置信度估计模型（CA-CEM），并使用 Paraformer 实现了精确可靠的置信度估计，最终在 AUC、RMSE、ECE-U 等多个指标上获得显著改进。
PDFa year ago
通过将多模态视为外语来引导先进的大型语言模型
本文提出了一种名为 X-LLM 的多模态语言模型，它将多种形式的信息转化为语言输入到 ChatGLM 中进行处理，实现了语言模型的多模态能力，具有与 GPT-4 相当的人工智能水平，同时还能用于语音识别和多模态语音识别。
PDFa year ago
遮盖偏见：通过内部语言模型估计改善基于 CTC 的语音识别在不同领域间的泛化
提出了一种新型的用于 CTC-Based ASR 模型的内部语言模型估计技术，该技术在多个领域的数据集上得到了验证，能通过遮盖音频时间步骤迭代地估计内部 LM 的伪对数似然，从而消除源域偏见，并且在无目标域数据的零 - shot 域自适应中
PDFa year ago
基于 MLM 数据增强的 ASR 和 NLU 流水线系统：应对低资源挑战
本文介绍了我们在 ICASSP Signal Processing Grand Challenge 2023 的 Spoken Language Understanding Grand Challenge 中低资源领域适应赛道（Track
PDFa year ago