低资源

共分析 137 篇 ICML 2026 论文

共分析 133 篇 ICLR 2026 论文

论文要解决在只有小写无标点文本时判断土耳其语话轮是否结束，做法是在土耳其语 GPT-2 上加结束标记做微调，最有力的结果是熟悉说话人下平均精度 0.148 并稳定超过多语检测器，代价是实用召回下误报仍然很多且一遇到停顿文本几乎失效。

针对字符输入与 12.5 赫兹离散声码器对齐时会丢掉短辅音的问题，论文用 50 赫兹先展开再下采样到 12.5 赫兹的办法做合成，在单说话人 Idayu 数据上把字符错误率从 27.11% 降到 21.86%，平均意见分从 4.12 提高到 4.30，但结论只在该数据和评测条件下成立。

本文在六种非洲语言上控制每语言数据量，对比三种语音识别模型，发现 Phi-4 整体字符错误率最低、数据饱和点因模型而异、领域数据对不同模型效果不同，而结论只在所测语言、数据来源和单次训练条件下成立。

该文针对训练与人机交互测试之间的混响加性噪声失配，在 Wav2vec 2.0 卷积层与 Transformer 层之间加入 40 维自编码器潜空间与单状态高斯混合模型估计的仿射补偿，在 MSP-Podcast 模拟训练与 PR2 机器人实录测试下用少量数据取得平均一致性相关系数提升，但全量数据时优势消失且须重训后端才能生效。

本文用 12.8 小时众包语音把不支持爱尔兰语的 Qwen3-TTS 适配成匿名单音色，再用词典编成的发音评价模型做一轮择优微调，把跨语料可懂度做到 CER 0.159，同时用同一评价模型量出语料中仅 229 段偏 Ulster 口音因而做不出少数口音。

针对巴斯克语缺少语音指令数据的问题，论文沿用模块化架构加合成数据路线构建语音交互系统，用内容分 3.86/5、语音可懂度词错误率 9.94%、延迟 370 毫秒证明可行，同时留下合成分布内评测与音频质量差距等限制。

针对自回归语音识别在教师强制训练下的曝光偏差，论文用最小化字符错误率的组相对策略优化对 Whisper-large-v3 解码器做后训练，在噪声和低资源语言上获得更稳的改进，但单语言最优和跨库泛化仍受限。

论文针对真实语码切换语音稀缺而合成语音存在失配的问题，对每个语言对和每个预训练模型用合成语音做 Reptile 元训练得到易适应的初始化，再用 1 小时真实标注语音适配，并在四种架构上以持续微调为主要对照验证了词错误率的相对下降，但增益大小依赖模型与语言对且部分小样本结论仍待多种子验证。

围绕一位只有约 22 分钟数据的意大利病理嗓音说话人，论文比较四种 Whisper 容量与三种 LoRA 放置，发现两侧注意力同时适配最稳定且时间精度权衡最好，但增益随录音时长而变化。

针对植入式语音脑机接口数据少噪声大、常用音素加语言大模型流水线又重又丢信息的问题，论文提出两阶段轻量框架 BEST，用分层神经编码加音素字符融合再接到小型语音翻译器，在 Brain-to-Text’24 和’25 上以远小于基线的参数取得低词错率，并证明对齐比放大模型更关键。

该文把冻结的 wav2vec 2.0 编码器用情绪与 ASR 两个任务向量按层加权调整，只训练每层两个系数和一个线性头，在 ADReSS 与 ADReSSo 上提升了二分类效果，并在 PROCESS 三分类上与 LoRA 结合取得最好宏观 F1，代价是三分类本身仍困难且波动大。

Monsoon 针对部署时面对的自发对话语音缺数据问题，用配对话题引导采集加自动过滤加五级人工校对加覆盖度选段的流程，在七个语言各约 3500 小时上证明同量下质量阶段带来 10-39% 相对误差下降和在独立自发测试上 20-44 点的语义词错率差距，且误差随数据量仍在下降。

SEAM 针对条件式 TTS 扩词时新词向量缺乏监督的问题，用子词序列的频谱低通滤波保留语序再以闭式岭回归对齐到预训练流形，在俄语、哈萨克语和法语上以更少微调数据达到接近基线的可懂度和主观偏好，但结论只在可分解、可转写且仍需微调的条件下成立。

论文在四个低资源语言和不同数据量的英语上比较改造音频与文本合成两类增强，发现 SpecAugment 总体错误率最稳但增加声调和腭化错误，而随机替换词的文本合成能提高稀有词频率并修复这两类错误，两者联用产生超可加改进但只在低资源区间成立。

论文用约 100 小时英语 MSP-Podcast 训练的 WavLM Large 模型，再用 1 到 20 小时汉语普通话 BIIC-Podcast 做适应，与只用汉语普通话从头训练对比，发现唤醒度只需 2 小时即可追平 100 小时单语模型，而效价需要 20 小时，代价是小数据下直接训练不稳定且效价与优势度整体更难预测。

论文把 WAXAL、BibleTTS 与 Mina 三处埃维语资源去重拼成 174.82 小时固定评测基准，并在其上微调 Whisper 与 AfriHuBERT，最好的 Whisper-medium 在 1443 句固定测试集上词错误率为 37.98%，代价是仍有标点与变音符号带来的虚高误差和专有名词脆弱性。

COAX 在预训练选专家时按数据类别加软偏置，让低资源类别被引向更大的指定专家子集，在多语言与多模态混合上改善了低资源验证损失，而推理时可去掉偏置保持标准 MoE 流程，代价是小规模下可观的训练吞吐开销。

论文用 42.5 小时历史古琴独奏适配 Stable Audio 3 Medium 的 DoRA 小参数，以一位专家的七轮盲听驱动决策，最终续弹和场景生成得分最高，但样本小且随机性大，只能作探索性记录。