论文解读
把级联状态机装进大模型:TurnFSM 如何串行做提交与拒绝
TurnFSM 把语义 VAD 与 utterance 级拒绝写成先提交后接受或拒绝的有限状态转移并用一阶依赖实现流式预测,在内部语义 VAD 上报告成功率 82.41% 与成功延迟 80.9 ms,在拒绝上报告 FAR 3.35% 与 FRR 16.04%,代价是仍需两阶段对齐与大模型推理开销。
TurnFSM 把语义 VAD 与 utterance 级拒绝写成先提交后接受或拒绝的有限状态转移并用一阶依赖实现流式预测,在内部语义 VAD 上报告成功率 82.41% 与成功延迟 80.9 ms,在拒绝上报告 FAR 3.35% 与 FRR 16.04%,代价是仍需两阶段对齐与大模型推理开销。
语音合成 | 6.5/10
语音克隆 | 7.5/10
歌唱旋律提取 | 7.5/10
音频深度伪造检测 | 7.5/10
神经解码 | 7.0/10
语音增强 | 7.0/10
音频生成 | 7.5/10
语音增强 | 7.0/10
语音合成 | 8.0/10
音频压缩 | 7.0/10
音频生成 | 7.5/10
语音伪造检测 | 7.0/10
本文针对医疗健康领域中神经音频编解码器生成的语音深伪检测问题,提出了一个全新的研究任务(HCFD)和基准数据集(HCFK)。研究发现,在健康语音上训练的现有深伪检测模型在病态语音上性能显著下降。为此,论文首先验证了预训练音频模型(如PaSST)能更好地应对病理语音带来的变异性。更重要的是,本文提出了