端到端

📄 Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs #语音交互 #语音大模型 #多模态模型 #端到端 #流式处理 9.2/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 🔥 9.2/10 | 前10% | #语音交互 | #语音大模型 | #多模态模型 #端到端 | arxiv 👥 作者与机构 第一作者：Zhenyu Liu（哈尔滨工业大学（深圳）计算机科学与技术学院；语言智能与机器中心，深圳河套研究院） 通讯作者：Baotian Hu（哈尔滨工业大学（深圳）计算机科学与技术学院；语言智能与机器中心，深圳河套研究院） 其他作者：Yunxin Li, Xuanyu Zhang（哈尔滨工业大学（深圳），语言智能与机器中心），Qixun Teng, Shenyuan Jiang（哈尔滨工业大学（深圳）），Haolan Chen, Minjun Zhao, Fanbo Meng, Yu Xu, Yancheng He（机构未详细说明），Haizhou Li（香港中文大学（深圳）人工智能学院），Min Zhang（哈尔滨工业大学（深圳），语言智能与机器中心） 💡 毒舌点评 本文以梯度冲突分析精准诊断了全双工SLM“既要又要”的模态干扰病根，层级参数分离的策略对症下药，逻辑清晰且实验扎实，为领域提供了高价值基线。遗憾的是，方法对合成数据的依赖构成显著硬伤，侧语难题被轻描淡写地归咎于数据而回避了架构本身的判别上限，这使得框架在真实世界的鲁棒性仍是一个巨大的问号。 ...

📄 Speaker head orientation estimation with a single microphone array using phase spectrogram features #声源定位 #端到端 #多通道 #鲁棒性 #数据集 5.8/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.7/1 | 影响 0.6/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 📝 5.8/10 | 前50% | #声源定位 | #端到端 | #多通道 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Balint Turi（坦佩雷大学，未在论文中明确标注） 通讯作者：未明确说明 作者列表：Balint Turi、Archontis Politis、Parthasaarathy Sudarsanam、Tuomas Virtanen（均来自坦佩雷大学，音频信号处理领域） 💡 毒舌点评 这项工作用高维STFT相位替代传统手工特征来估计说话人头朝向，配合仿真预训练与真实微调的范式，在多种噪声条件下确实稳定地甩开了之前的基线。然而，全文除了给出一个粗略的模型架构和部分超参数外，没有提供任何代码、权重或可直接使用的数据集；最关键的网络组件消融实验完全缺失，所谓“SOTA”的可复现性和可靠性因此大打折扣。此外，对推理延迟、模型大小、阵列拓扑变化等工程关键问题只字未提，使一项号称面向实际部署的工作显得有些不够落地。 📌 核心摘要 问题：使用单个小型麦克风阵列（如6通道、半径4.5cm的环形阵）估计说话人在混响室内的水平朝向（0°–360°），要求泛化到未知说话人、未知房间和多种噪声环境。 方法核心：以各通道STFT相位（经sin/cos编码消除±π不连续性）堆叠为高维多通道特征，送入由2D CNN（空间下采样）、双向GRU（时序建模）和多头自注意力（全局上下文）组成的端到端网络，最终在单位圆上回归 [cosθ, sinθ] 并用 atan2 恢复连续角度。 新颖性：首次将高维STFT相位作为头朝向估计的唯一输入特征，证明其在表达声源方向性方面优于人工特征（ILD/ITD等）和原始波形；并采用“大规模仿真预训练+少量真实数据微调”的跨域策略，解决了高维特征在真实标注稀缺场景下的学习问题。 实验结果：在仿真混响干净条件下MAE=19.9°，0–10 dB强噪声下MAE=29.5°，远优于基于原始波形的44.8°/75.1°和基于ITD/ILD的52.7°/82.8°。在真实数据（8方向分类）上，预训练+微调达到73.2%准确率，超过DoV基线（65.4%）。用户+房间个性化微调后MAE可降至11.3°。混响对STFT相位方法反而有利，误差分布更均匀。 实际意义：为资源受限的智能音箱、会议系统、驾驶员监控等场景提供了一种硬件要求低、对噪声和混响鲁棒的纯音频头朝向感知方案，支持用户级个性化适配。 主要局限：（1）零样本跨说话人/跨房间的泛化能力仍显不足，个性化微调提升巨大从反面说明了这一点；（2）无任何开源资源（代码/模型/数据），可复现性极差；（3）缺少对网络各组件（CNN、GRU、Attention）的消融实验以及对不同阵列拓扑、麦克风失效、动态朝向等工程边界条件的分析；（4）未评估推理延迟与计算开销。 🔗 开源详情 代码：未提供任何代码链接，文中无相关声明。 模型权重：未提供。 数据集：使用了剑桥VCTK语料库、WHAM噪声数据集和文献[3]中的公开8方位真实录音数据集。论文仅给出了引用，未提供数据集的直接下载、预处理脚本或生成的仿真数据集。 Demo：未提及。 复现材料：未提供详细训练配置文件、模型定义或实验记录。 论文中引用的开源项目：Pyroomacoustics（https://github.com/LCAV/pyroomacoustics） 🏗️ 方法概述和架构 系统流程由语音活动检测（VAD）、特征提取和深度神经网络回归三部分组成。输入为单说话人的一段多通道语音（最多3秒），首先通过文献[7]中的VAD模块去除首尾静音段，仅保留活动语音帧。 ...

📄 DNSMOS-C: Improving End-to-end Speech Quality Models via Contrastive Learning #对比学习 #端到端 9.3/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.4/1.5 🔥 9.3/10 | 前50% | #语音质量评估 | #对比学习 | #端到端 | arxiv 👥 作者与机构 作者：Xinyu Liang, Fredrik Cumlin, Victor Ungureanu, Chandan K. A. Reddy, Christian Schüldt, Saikat Chatterjee 机构：1 KTH Royal Institute of Technology, Stockholm, Sweden; 2 Google LLC ...

📄 End-to-End Voice Intent Recognition for Spontaneous Human-Drone Interaction with Naive Users #端到端 #自监督学习 #知识蒸馏 #低资源 7/10 | 创新 1.8/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.4/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 7/10 | 前50% | #端到端 | #自监督学习 | #知识蒸馏 #低资源 | arxiv 👥 作者与机构 Allan Henry1,2,3, Solange Rossato1, Christian Graff2, Sylvain Huet3, Jose-Ernesto Gomez-Balderas3。 1LIG, Univ. Grenoble Alpes, Grenoble, France；2LPNC, Univ. Grenoble Alpes, Grenoble, France；3GIPSA-lab, Univ. Grenoble Alpes, Grenoble, France。 通讯邮箱：firstname.lastname@univ-grenoble-alpes.fr。 ...

📄 WavTTS: Towards High-Quality Zero-Shot TTS via Direct Raw Waveform Modeling #语音合成 #端到端 #扩散模型 #流匹配 #语音生成 #多模态模型 9.2/10 | 创新 1.6/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.9/1.5 🔥 9.2/10 | 前25% | #语音合成 | #端到端 | #扩散模型 #流匹配 | arxiv 👥 作者与机构 作者: Wenxi Chen, Dongya Jia, Yushen Chen, Zhikang Niu, Yuzhe Liang, Xiquan Li, Ruiqi Yan, Ziyang Ma, Guanrou Yang, Sanyuan Chen, Yue Wang, Zhuo Chen, Kai Yu, Xie Chen. 机构: 1) 上海交通大学, 2) 上海创新研究院, 3) 字节跳动 Seed. ...

📄 DuplexSLA: A Full-Duplex Spoken Language Model with Synchronized Speech, Language, and Action #语音对话系统 #多模态模型 #大语言模型 #端到端 #基准测试 ✅ 7.8/10 | 前25% | #语音对话系统 | #多模态模型 | #大语言模型 #端到端 | arxiv 学术质量 5.2/7 | 影响力 1.6/2 | 可复现性 1.0/2 | 置信度 高 👥 作者与机构 第一作者：Haoyang Zhang (StepFun, Peking University, Nanyang Technological University) 通讯作者：Fei Tian (StepFun) 作者列表：Haoyang Zhang*（StepFun，北京大学，南洋理工大学），Jun Chen*（StepFun），Donghang Wu（南洋理工大学），Yuxin Li（StepFun，南洋理工大学），Yuxin Zhang（StepFun，上海交通大学），Xiangyu Tony Zhang（StepFun，新南威尔士大学），Che Liu（StepFun，帝国理工学院），Qingjian Lin（StepFun），Yizhou Peng（南洋理工大学），Hexin Liu（南洋理工大学），Eng Siong Chng（南洋理工大学），Chao Yan（StepFun），Boyong Wu（StepFun），Yechang Huang（StepFun），Xuerui Yang（StepFun），Fei Tian†（StepFun）（*表示同等贡献，†表示通讯作者） 💡 毒舌点评 亮点：论文的“双流三通道”架构设计优雅，通过引入速率受限的文本动作通道，将规划、工具调用与语音生成解耦到独立的时钟同步通道，直观地解决了全双工对话中“边说边做”的核心矛盾。同时，构建了专用的DuplexSLA-Bench基准，弥补了现有评测体系对联合评估轮次控制和在线工具调用能力的空白。短板：尽管系统设计完整，但关键的训练细节（如损失权重、硬件、解码策略）和部分超参数（如优化器、学习率）缺失，使得一个77B参数大模型的复现门槛极高。此外，所有评估均在自建的合成基准上进行，缺乏在真实世界或通用对话基准上的验证，结论的泛化性存疑。 ...

📄 FormalASR: End-to-End Spoken Chinese to Formal Text #语音识别 #端到端 #模型量化 #数据集 🔥 8.2/10 | 前25% | #语音识别 | #端到端 | #模型量化 #数据集 | arxiv 学术质量 5.1/7 | 影响力 1.4/2 | 可复现性 1.7/2 | 置信度 高 👥 作者与机构 第一作者：未说明 通讯作者：未说明 作者列表：Wanyi Ning, Yinshang Guo, Haitao Qian, Jiyuan Cheng, Weiyuan Feng, Yufei Zhang (论文未提供具体所属机构信息) 💡 毒舌点评 本文精准地瞄准了语音识别领域一个真实且被广泛忽视的痛点——口语化输出与下游正式文本需求之间的鸿沟，并提供了一个简洁有效的端到端解决方案。其最大亮点在于通过构建高质量的数据集（WenetSpeech-Formal与Speechio-Formal）和扎实的微调实验，有力地证明了在紧凑模型（0.6B和1.7B参数）中同时学习声学识别与语言风格转换的可行性。据作者称，这是首个将紧凑音频语言模型端到端微调用于中文口语转正式文本的工作。然而，其核心方法在技术上主要是对现有强大基座模型（Qwen3-ASR）的一次针对性的监督微调（SFT），而非架构层面的创新，这使得工作的原创深度稍显不足。虽然其发布的数据集和模型具有明确的实用价值，但作为一篇顶会论文，其在方法论上的突破性有限。 📌 核心摘要 问题：当前主流的自动语音识别（ASR）系统（如Whisper, Qwen3-ASR）主要输出忠实于口语的逐字稿（verbatim transcription），包含填充词、重复、不规范句式等，不适合会议纪要、文档编辑等需要正式书面文本的下游应用。传统的两阶段方案（ASR+LLM改写）增加了延迟、内存成本和部署难度，且难以应用于设备端。 方法核心：提出FormalASR，一个端到端框架，通过监督微调（SFT）将预训练的音频语言模型（Qwen3-ASR）直接适配于将语音转换为正式文本的任务。其关键在于构建了大规模的“口语-正式文本”配对数据集（WenetSpeech-Formal和Speechio-Formal），用于训练模型一次性完成识别与风格转换。 创新之处：与两阶段流水线或大型多模态模型（如GPT-4o-audio）不同，FormalASR采用单个紧凑模型（0.6B和1.7B参数）完成任务，适合设备端部署。据称这是首个将紧凑音频语言模型端到端微调用于中文口语转正式文本的工作。 实验结果：在构建的两个数据集上，FormalASR相比原始逐字稿基线取得了显著的性能提升。关键数据如下表所示。 模型 数据集 CER ↓ ROUGE-L ↑ BERTScore ↑ Qwen3-ASR-0.6B (基线) WenetSpeech-Formal (域内) 0.2581 0.8463 0.9198 FormalASR-0.6B (本文) WenetSpeech-Formal (域内) 0.1770 (-31.4%相对) 0.8769 0.9359 Qwen3-ASR-1.7B (基线) Speechio-Formal (跨域) 0.2393 0.8510 0.9108 FormalASR-1.7B (本文) Speechio-Formal (跨域) 0.1499 (-37.4%相对) 0.9029 0.9533 实际意义：为需要正式文本输出的语音交互场景（如文档编辑、会议记录）提供了一个低延迟、低内存、隐私安全的轻量级端侧解决方案。GGUF量化实验表明模型可以压缩到约1GB且性能损失可控，具备实际部署潜力。 主要局限：该方法高度依赖由第三方LLM（DeepSeek-V3.2）生成的“正式文本”参考，其质量上限和风格定义可能受限。此外，论文缺少与“ASR+LLM”两阶段流水线这一标准做法的直接性能与延迟对比。 🔗 开源详情 代码：https://github.com/TaurenMountain/FormalASR 模型权重： FormalASR-0.6B: https://huggingface.co/TaurenMountain/FormalASR-0.6B FormalASR-1.7B: https://huggingface.co/TaurenMountain/FormalASR-1.7B 数据集： WenetSpeech-Formal: https://huggingface.co/datasets/TaurenMountain/WenetSpeech-Formal Speechio-Formal: https://huggingface.co/datasets/TaurenMountain/Speechio-Formal Demo：论文中未提及 复现材料：论文中提供了具体的训练配置，可作为复现材料。训练基于Qwen3-ASR官方检查点初始化，使用全参数监督微调(SFT)，在WenetSpeech-Formal训练集上训练2个epoch。训练环境为2张NVIDIA A800-SXM4-80GB GPU，采用BF16精度并启用梯度检查点。优化器为AdamW，使用余弦学习率调度，峰值学习率为2e-5，前5%的训练步骤进行线性预热。设备批大小为4，梯度累积2步，有效全局批大小为16。 论文中引用的开源项目： Whisper: https://github.com/openai/whisper Qwen3-ASR: https://github.com/QwenLM/Qwen3-ASR SenseVoice: https://github.com/FunAudioLLM/SenseVoice DeepSeek-V3.2: https://github.com/deepseek-ai/DeepSeek-V3 llama.cpp: https://github.com/ggerganov/llama.cpp bitsandbytes: https://github.com/TimDettmers/bitsandbytes 🏗️ 方法概述和架构 整体流程概述：FormalASR是一个端到端的单模型系统。给定输入音频波形，模型直接生成对应的正式书面文本序列，无需任何中间的逐字稿输出或后处理模块。其核心思想是将声学识别和语言风格转换耦合为一个统一的条件生成过程。 ...

📄 Synchronization and Turn-Taking in Full-Duplex Speech Dialogue Models #语音对话系统 #模型评估 #端到端 #语音大模型 #模拟对话 #认知启发式分析 ✅ 7.6/10 | 前25% | #语音对话系统 | #模型评估 | #端到端 #语音大模型 | arxiv 学术质量 5.3/7 | 影响力 1.5/2 | 可复现性 0.8/2 | 置信度 高 👥 作者与机构 第一作者：Pablo Riera (ASAPP Inc., USA；Departamento de Computación, FCEyN, Universidad de Buenos Aires, Argentina) (注：原文中机构顺序需校正) 通讯作者：未说明 作者列表：Pablo Riera (ASAPP Inc., USA；Departamento de Computación, FCEyN, Universidad de Buenos Aires, Argentina)†， Pablo Brusco (ASAPP Inc., USA)， Cristina Kuo (ASAPP Inc., USA)， Marcelo Sancinetti (ASAPP Inc., USA)， S. R. K. Branavan (ASAPP Inc., USA) (†表示该工作在ASAPP进行) 📌 核心摘要 问题：全双工语音对话模型（SDMs）能够同时听与说，但如何量化理解其交互过程中内部表示如何协调（如同步）并支持轮替时机预测，是当前评估中的空白。论文旨在借鉴人类对话中观察到的神经耦合现象，对此进行计算建模与分析。 方法：提出了一个基于模拟和探针的分析框架。通过连接两个Moshi模型实例构建模拟对话，在受控条件下（不同信道噪声、解码偏差、模型版本）生成大量对话数据。分析分两部分：a) 使用线性中心化核对齐（CKA） 量化两个模型内部表示在不同时间延迟下的同步性；b) 训练因果LSTM探针，从“生产者”（说话人）和“感知者”（听者）两个视角，预测即将到来的语音片段结束（EOI）和轮替决策（Hold vs. Non-Hold）。 创新：将认知科学中的神经耦合与同步概念系统性地应用于评估全双工语音对话模型的内部动态；提出了一个超越传统表面行为评估，深入模型表示层面的交互分析框架。 主要结果： 同步性：在无噪声条件下，内部表示在0延迟附近呈现强同步（CKA峰值平均约0.5，特定对话可达0.8）。噪声增大、人为调整解码偏差或使用未经微调的模型对，都会降低同步性。即使在高延迟下，无噪声对话也存在一定基础水平的表示对齐（CKA约0.25），而高噪声下则很低（<0.1）。 轮替预测：探针在生产者和感知者视角下，均能以显著高于随机水平的AUC-ROC预测EOI和Hold/Non-Hold。无噪声条件优于有噪声条件。性能随预测延迟增加而下降，但在所测试的长延迟范围内未降至随机水平，表明内部表示包含了提前的轮替预期信息。 实际意义：为诊断和评估端到端语音对话系统的交互协调性提供了新的量化工具和视角，有助于理解模型如何支持自然的对话节奏。 主要局限性：实验场景局限于基于相同提示、短时长、角色固定的模拟医疗预约对话，数据多样性不足；所有分析仅针对Moshi模型，结论的跨模型普适性未知；探针在大延迟下仍高于随机的表现，可能源于模拟对话中固有的时间规律性，而非纯粹的内部表示信息，需在更多样化场景下验证。 🔗 开源详情 代码：论文中未提供本文所用的分析代码、探针训练代码或模拟对话生成脚本的链接。 模型权重：论文中提到了使用官方的Moshi模型检查点（Moshika 和 Moshiko），并提供了其开源链接：https://huggingface.co/kyutai/moshi。论文未提供其微调版本的具体权重或微调代码。 数据集：论文中未提供生成的模拟对话数据的下载链接。数据集由2880段对话（约80小时音频）组成，在论文所述条件下生成。 Demo：论文中未提及。 复现材料：论文未提供具体的训练脚本、配置文件或完整的复现指南。仅提供了关键的实验设置和超参数（如对话长度100秒，每条件20个种子，数据分割32/8，Adam优化器学习率1e-3，批量大小16，训练200 epochs）。 论文中引用的开源项目： Moshi：一个用于实时双向对话的预训练语音-文本基础模型。项目主页和模型权重可通过以下链接访问：https://github.com/kyutai/moshi (GitHub) 和 https://huggingface.co/kyutai/moshi (HuggingFace)。 dGSLM (Generative Spoken Dialogue Language Modeling)：论文中提及的一项可以从原始音频中学习轮次转换等行为的开创性工作。论文中未提供该项目的代码或数据集链接。 Full-Duplex-Bench：一个评估基准。论文中未提供该项目的代码或数据集链接。 Talking Turns：另一个评估基准。论文中未提供该项目的代码或数据集链接。 🏗️ 方法概述和架构 整体流程概述：本文提出了一个用于分析全双工语音对话模型内部动态的框架，主要包含三个阶段：1）在受控条件下生成模拟对话并收集内部表示；2）计算两个对话模型内部表示间的同步性；3）训练探针预测轮替事件。这是一个非端到端的分析评估框架，旨在“解剖”现有模型的行为，而非提出新模型。 ...

📄 FormalASR: End-to-End Spoken Chinese to Formal Text #语音识别 #端到端 #语音大模型 #模型量化 #数据集 ✅ 6/10 | 前35% | #语音识别 | #端到端 | #语音大模型 #模型量化 | arxiv 学术质量 4.3/8 | 影响力 0.8/1 | 可复现性 0.9/1 | 置信度 高 👥 作者与机构 第一作者：未说明 通讯作者：未说明 作者列表：Wanyi Ning、Yinshang Guo、Haitao Qian、Jiyuan Cheng、Weiyuan Feng、Yufei Zhang（所有作者机构均未在论文中说明） 💡 毒舌点评 精准定义了“语音转写结果不符合书写规范”这一真实工业痛点，并通过构建大规模数据集和端到端微调给出了一个直接解决方案。然而，论文的核心贡献在学术创新性上略显薄弱：它本质上是利用一个强大的LLM（DeepSeek-V3.2）生成伪标签，然后对现有的音频-语言模型（Qwen3-ASR）进行监督微调。这一范式在NLP和Speech领域已属常规操作，其新意更多体现在问题形式化和数据集构建上，而非算法或理论突破。论文在论证其“端侧优势”时，缺少与“ASR+LLM”流水线在关键指标（如延迟、内存）上的直接对比，使得其核心主张的说服力打了折扣。 📌 核心摘要 要解决什么问题：传统ASR系统输出包含口头禅、错误启动等不规范元素的逐字稿（verbatim transcript），不适合文档生成等下游任务。常用的两阶段ASR+LLM流水线方案部署复杂、延迟高，难以用于端侧设备。 方法核心：提出FormalASR，一个端到端模型，直接将中文口语语音映射为正式书面文本。为此，构建了两个大规模数据集（WenetSpeech-Formal， Speechio-Formal），通过LLM（DeepSeek-V3.2）改写原始逐字稿并经过质量过滤生成“口语-正式文本”对。基于Qwen3-ASR模型（0.6B和1.7B）在上述数据集上进行全参数监督微调（SFT）。 与已有方法相比新在哪里：首次尝试将紧凑的音频-语言模型端到端地微调用于中文的口语到正式文本转写，避免了推理时需要额外LLM的开销（如Table 1所示）。明确对比了传统ASR、ASR+LLM流水线和大型多模态模型（如GPT-4o），并构建了专用评测基准。 主要实验结果：FormalASR在WenetSpeech-Formal和Speechio-Formal测试集上，相比逐字稿基线（Qwen3-ASR），字符错误率（CER）最高降低了37.4%，同时ROUGE-L和BERTScore得到提升。量化实验显示，GGUF 8-bit量化几乎无损，4-bit量化在大幅压缩模型尺寸时性能下降可控。主要结果如下表所示： 模型 数据集 CER ↓ ROUGE-L ↑ BERTScore ↑ Qwen3-ASR-0.6B WenetSpeech-Formal 0.2581 0.8463 0.9198 FormalASR-0.6B (Ours) WenetSpeech-Formal 0.1770 0.8769 0.9359 Qwen3-ASR-1.7B WenetSpeech-Formal 0.2460 0.8571 0.9268 FormalASR-1.7B (Ours) WenetSpeech-Formal 0.1606 0.8896 0.9439 Whisper large-v3 WenetSpeech-Formal 0.3631 0.7393 0.8538 Qwen3-ASR-0.6B Speechio-Formal 0.2252 0.8701 0.9343 FormalASR-0.6B (Ours) Speechio-Formal 0.1603 0.8948 0.9481 Qwen3-ASR-1.7B Speechio-Formal 0.2393 0.8510 0.9108 FormalASR-1.7B (Ours) Speechio-Formal 0.1499 0.9029 0.9533 图2说明：此图展示了FormalASR-1.7B与基线Qwen3-ASR-1.7B在推理效率上的对比。左图显示，在WenetSpeech-Formal上，FormalASR的平均输出token数从18.5减少到14.3（减少22.8%），在Speechio-Formal上从18.5减少到15.8（减少14.3%）。右图显示，解码延迟随逐字稿句子长度（token数）增加而显著降低，在40-49 token的长句区间，延迟降低约388毫秒。 5. 实际意义：为端侧设备（如手机、嵌入式设备）提供了一种轻量、低延迟的语音转正式文本解决方案，省去了云端依赖和第二模型。GGUF量化后的模型（如1.7B模型的Q4_K版本仅1.08GB）进一步增强了端侧部署可行性。 6. 主要局限性：1）方法本质上是利用LLM生成的数据对现有模型进行领域微调，创新性有限；2）“正式文本”的定义和监督信号完全依赖DeepSeek-V3.2的生成结果，存在偏见或误差传播风险，论文未对生成标签质量进行人工验证；3）实验未与最强的“ASR+LLM”流水线方案（如Qwen3-ASR接一个通用LLM）进行直接的延迟、内存和最终文本质量对比；4）主要评估指标CER、ROUGE-L衡量的是与LLM生成参考文本的匹配度，未评估生成文本本身的语法自然度、连贯性或用户偏好。 ...

📄 MedASR: An Open-Source Model for High-Accuracy Medical Dictation #语音识别 #端到端 #医疗转录 #长音频处理 #开源模型 ✅ 7.9/10 | 前30% | #语音识别 | #端到端 | #医疗转录 #长音频处理 | arxiv 学术质量 6.3/8 | 影响力 0.9/1 | 可复现性 0.7/1 | 置信度 高 👥 作者与机构 第一作者：Ke Wu (Google Inc) 通讯作者：未说明 作者列表：Ke Wu, Ehsan Variani, Tom Bagby, Shashir Reddy, Rory Pilgrim (Google Inc) 💡 毒舌点评 这篇论文提供了一个扎实且有用的工程化解决方案，旨在解决医疗语音识别（ASR）中数据稀缺、长音频训练与推理不稳定的关键痛点。其核心贡献在于系统化地整合了已知技术（CTC、伪流式推理）以应对特定领域的挑战，并开源了一个具有竞争力的模型。然而，论文的创新本质上是“组合式”与“应用型”的，缺乏在模型架构或训练范式上的根本性突破。最大的软肋在于核心训练数据的私有化，这使得其宣称的“开源基础”打了折扣，外部研究者难以在相同条件下复现或超越其结果，限制了论文的彻底可验证性和社区影响力。 📌 核心摘要 解决的问题：针对医疗语音记录场景，解决通用语音识别模型在处理长音频时易出现“漂移”（内容重复或缺失）、对医疗专业术语识别不准，以及大规模高质量医疗音频数据稀缺的问题。 方法核心：提出一个105M参数的Conformer-CTC模型。在数据层面，采用两阶段训练：先用非归一化的通用音频数据（LibriHeavy）预训练，再用4500+小时私有医疗音频数据进行迭代分割与微调。在推理层面，设计“时间后验融合”伪流式滑动窗口算法，通过加权平均不同窗口的输出后验概率，提升长音频转录稳定性。 与已有方法相比新在哪里： 设计目标明确：与Whisper等追求大而全的通用基础模型不同，MedASR明确追求“小、快、准”，专注于医疗转录这一垂直场景，更适合潜在的本地化部署。 解决长序列训练与推理：通过迭代分割训练法处理长音频数据；通过“时间后验融合”算法在推理时融合多窗口信息，有效抑制了通用模型（如Whisper）在长音频上常见的漂移和幻觉问题。 领域适配：针对医疗文本的格式（大小写、标点、单位）设计了紧凑的分词器（512词表），并使用非归一化数据预训练，保留了临床文本的关键特征。 主要实验结果： 在公开测试集EyeGaze上，MedASR（带6-gram LM）相比Whisper Large-v3实现了58%的相对WER降低（12.5% vs 5.2%）。 在四个私有医疗专科测试集（RAD, FM, IM, GENINT）上，MedASR（带6-gram LM）的WER显著低于Whisper和Gemini 2.5 Pro，绝对值低3-27个百分点。 推理稳定性实验表明，MedASR的WER对滑动窗口步长变化不敏感，验证了其抗漂移能力。 模型 EyeGaze WER RAD WER FM WER IM WER GENINT WER Whisper (Large-v3) 12.5% 25.3% 32.5% 44.5% 33.1% Gemini 2.5 Pro 5.9% 10.0% 14.6% 21.3% 16.4% MedASR (no LM) 6.0% 5.4% 6.7% 9.9% 8.0% MedASR (6-gram LM) 5.2% 4.6% 5.8% 8.7% 6.9% 实际意义：提供了一个开源的高性能医疗语音识别骨干模型，打破了该领域被闭源系统垄断的局面，有助于促进医疗AI社区的透明度和协作研究。其轻量级特性也为边缘部署保护隐私提供了可能性。 ...