语音识别

📄 Data Scale, Not Latency, Shapes Cross-Lingual Encoder Transfer in Streaming ASR #语音识别 #迁移学习 #预训练 #低资源 #模型量化 9/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.6/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 9/10 | 前25% | #语音识别 | #迁移学习 | #预训练 #低资源 | arxiv 👥 作者与机构 作者：Nenad Banfic。机构：未在文中说明。 💡 毒舌点评 这篇论文像一个一丝不苟的工程师，把“多语言初始化到底有没有用”这个实际问题，用控制变量法掰开揉碎了做实验。优点是实验网格设计得非常全面，数据、延迟、量化三个维度都扫了一遍，得出了一个实用的结论。但缺点也很明显：首先，这本质上是一项大规模的“消融实验”或“敏感性分析”，在方法创新性上相对有限；其次，结论的“普适性”存疑，所有实验都在自家0.6B的FastConformer RNN-T架构和有限的欧洲语言上完成，换个模型家族（比如Whisper大模型）或非欧洲语言（如中文、阿拉伯语），结论是否稳健？作者自己也承认了这一点。论文行文清晰，但部分讨论略显冗长，可进一步精炼。 📌 核心摘要 本文系统研究了在流式自动语音识别（ASR）中，使用多语言（ML）或英语单语（EN）编码器作为初始化方案，其优势如何随目标语言数据规模、流式推理延迟以及部署量化而变化。核心发现是：多语言初始化的优势是一个“数据受限优势”，而非“延迟受限优势”。在FLEURS基准上，从100小时到2500小时数据，EN-ML的WER差距从+4.21个百分点单调衰减至+0.20个百分点，符合幂律模型（指数约0.92）。该优势在三个流式延迟层级（160ms， 560ms， 1120ms）间近似稳定。此外，4位权重量化导致编码器体积减少约3倍，平均WER仅增加约0.49个百分点，且与初始化选择独立。结论指出，初始化、延迟和量化决策在实践中可相互独立进行。 🔗 开源详情 代码：论文中指出训练与评估代码作为补充材料包含，但未在文中提供具体的代码仓库URL（如GitHub链接）。 ...

📄 Layer-wise Probing of wav2vec 2.0 and Whisper for Consonant Cluster Reduction in African American English #语音识别 #低资源 9.5/10 | 创新 2/2 | 严谨 1.5/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9.5/10 | 前50% | #语音识别 | #低资源 | arxiv 👥 作者与机构 Hamid Mojarad, Kevin Tang 1 Department of English Language and Linguistics, Institute of English and American Studies, Faculty of Arts and Humanities, Heinrich Heine University Düsseldorf, Germany 2 Department of Linguistics, University of Florida, United States of America ...

📄 Progressive Alignment Objectives for Aligner-Encoder based ASR #语音识别 #Transformer 7.5/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.5/10 | 前25% | #语音识别 | #Transformer | arxiv 👥 作者与机构 Jaeyoung Lee, Masato Mimura, Takafumi Moriya. 机构：NTT, Inc., Japan. 💡 毒舌点评 这篇工作切入了一个具体且实际的问题——Aligner-Encoder中对齐信息的“突然形成”导致训练不稳定和长语音性能下降。方法上，InterAligner和InterCTC的思路清晰，符合渐进式学习的直觉，消融实验也做得比较细致，能说明中间目标和损失权重的重要性。但问题在于，第一，贡献边界有些模糊，InterCTC本身是已有技术，本文的贡献在于将其引入并验证其在新框架下的有效性，以及提出InterAligner，但后者与多粒度/层级监督的区别需要更清晰的阐述。第二，实验虽然充分，但主要在两个英语数据集上进行，且与最强的外部基线（Stooke et al.）相比仍有差距，普适性有待验证。第三，完全不开源代码和模型，对于顶会论文而言是显著的扣分项，严重影响了可复现性和社区贡献。总的来说，是一篇扎实的、解决了特定痛点的系统改进工作，但创新幅度和影响力未达到最高水平。 📌 核心摘要 研究问题：针对Aligner-Encoder ASR模型中清晰的对齐信息在编码器高层突然形成，导致训练敏感、不稳定且在长语音上性能显著下降的问题。 核心方法：提出InterAligner，通过在模型中间层（如第15层）引入一个针对更长、更细粒度序列（BPE词汇量256）的辅助对齐损失，以及一个更早的中间CTC损失（InterCTC，第12层），鼓励对齐信息在模型深度上渐进式形成，从而构建一个从简单到复杂的对齐学习课程。 主要贡献：1) 将InterCTC引入Aligner-Encoder框架并验证其作为优化辅助的有效性；2) 提出InterAligner，这是一种新颖的中间对齐监督方法，通过更细粒度的目标来缓解“对齐瓶颈”；3) 通过系统的实验和分析，证明了所提方法在主流数据集上，尤其是长语音场景下的性能提升。 关键结果：在LibriSpeech test-clean/other上，WER从基线（仅最终对齐）的5.0/7.8%经InterCTC降至3.4/6.0%，再经InterAligner进一步降至3.1/5.6%。在CommonVoice test集上，WER从12.4%降至10.9%。性能提升在长语音（>21秒）上尤为显著，例如在test-clean上WER从23.4%降至11.6%。 实验设置：使用约1.18亿参数的17层Conformer-L编码器。在LibriSpeech 960h和CommonVoice 16.1英语数据集上进行评估。基线为Aligner-Encoder最终层对齐目标。InterCTC设置在第12层，InterAligner设置在第15层。使用BPE分词，最终目标词汇量1024，中间目标词汇量256。优化器采用标准Transformer预热/衰减策略，峰值学习率0.0020-0.0025，有效批大小约2小时音频。解码束宽为6。 局限性/未来工作：论文未明确量化增加中间头带来的额外计算开销（参数量、训练时间）。方法对中间层的选择（第15层）敏感，且需要在设计时预先确定。未来工作将研究该方法在流式和长上下文识别中的应用及其与语言模型的整合。 代码可用性：论文未提供代码、模型权重或训练脚本的链接。 训练细节：提供了详细的超参数配置，包括模型架构、训练轮数（LibriSpeech 100 epoch, CommonVoice 50 epoch）、检查点平均策略（前10个）、批大小、学习率调度（20k预热步）、CTC损失权重固定为0.1，以及InterAligner损失权重通过调优选择。论文声明使用了生成式AI工具辅助代码开发和论文编辑，但内容已由作者审核验证。 ...

📄 Adding Robust Code-Switching Capabilities to High Performance Multilingual ASR #语音识别 #语音合成 #参数高效微调 #低资源 7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.9/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 7/10 | 前50% | #语音识别 | #参数高效微调 | #语音合成 #低资源 | arxiv 👥 作者与机构 Enes Yavuz Ugan¹², Alexander Waibel¹² ¹Interactive Systems Lab, Karlsruhe Institute of Technology (KIT), Germany ²InterACT, Carnegie Mellon University (CMU), USA ...

📄 An Evaluation Framework for Text-to-Speech Voice Reconstruction #语音合成 #语音识别 8.8/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 8.8/10 | 前25% | #语音合成 | #语音识别 | arxiv 👥 作者与机构 Ariadna Sanchez, Christoph Minixhofer, Korin Richmond, Ondřej Klejch, Peter Bell, Simon King The Centre for Speech Technology Research, University of Edinburgh, UK 💡 毒舌点评 这篇论文解决了一个真实且重要的痛点：如何评估为语音障碍患者重建声音的TTS系统。作者没有满足于简单套用现有的MOS或WER指标，而是深刻地认识到任务的核心矛盾——提高可懂度与保持说话人身份之间的权衡。提出的框架，无论是情境化BWS的主观评估，还是双参考TTSDS Mean的客观评估，都直指这一矛盾，逻辑清晰，动机充分。然而，其“严苛”体现在何处？首先，论文的实验部分虽然规模可观（17个系统，193位说话人），但作者在分析时过于强调框架的优越性，而对观察到的现象（如零样本系统在低可懂度说话人上的普遍失败）缺乏更深入的机制探讨和假设验证。其次，提出的TTSDS Mean指标虽然有效，但其设计（简单平均）较为朴素，缺乏消融实验来证明这种平均方式是最佳选择，还是仅是一种启发式方案。最后，开源程度极低（仅提供Demo页面），对于一个旨在建立评估标准的框架而言，这大大削弱了其可复现性和社区影响力，是一个明显的短板。总体而言，这是一个扎实、有用的工作，但在方法的深度剖析和实践推广的完备性上仍有提升空间。 ...

📄 AOR-Bench: Do Large Audio Language Models Over-Refuse Pseudo-Harmful Queries? #语音识别 #音频问答 #多模态模型 7.9/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.9/10 | 前50% | #音频问答 | #语音识别 | #多模态模型 | arxiv 👥 作者与机构 Jiaxi Yang, Chaewan Chun, Jason Lucas, Yuchen Yang, Dongwon Lee Penn State University 💡 毒舌点评 优点：精准切中了多模态大模型安全对齐领域的一个新兴盲点——音频模态下的“过度拒绝”。作为首个专门为此设计的基准，AOR-Bench的提出本身就具有显著的开创性和实用价值，填补了从文本到视觉再到音频的过度拒绝研究链条中缺失的一环。论文的实验设计覆盖了主流的闭源与开源模型，发现（尤其是系统提示的影响）也具有启发性。 缺点：研究的深度和严谨性未能完全匹配其开创性的标题。基准构建流程存在明显的“合成痕迹”，依赖Sora-2生成视频再提取音频，其产生的背景音与真实世界复杂声学环境的生态效度（ecological validity）存疑，可能使得实验结论过于“干净”。方法论上，核心指标MB-Score将TRR（在独立有害样本上测试）与ORR（在伪有害样本上测试）进行调和平均，但这两类测试集并非严格的配对对比，其组合的意义需要更仔细的论证。此外，缓解策略（链式思考和激活引导）的实验规模过小（仅3个模型），且激活引导的结果实际显示了安全性能的下降，论文对此的解读略显乐观。整体而言，这是一篇扎实的“开坑”之作，但在方法论创新和结论的坚实程度上，距离顶会的最高标准仍有差距。 📌 核心摘要 本文首次提出了针对大型音频语言模型（LALMs）过度拒绝问题的专用基准AOR-Bench。该基准的核心在于构造“伪有害”音频：其语音内容在脱离背景时听起来有害，但结合背景音轨（如应急响应、游戏场景）后，意图则为良善。通过在12个LALMs上进行评估，研究发现过度拒绝现象普遍存在，且模型未能充分理解背景语义。此外，系统提示对拒绝行为有显著影响。论文初步探索了链式思考和激活引导两种缓解方法，为改善模型安全对齐提供了方向。 ...

📄 ATCCaps: A Call-Sign-Aware Speech Dataset for Air Traffic Control Recognition #语音识别 #语音增强 #数据集 #低资源 8.6/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 8.6/10 | 前25% | #语音识别 | #语音增强 | #数据集 #低资源 | arxiv 👥 作者与机构 作者：Dongdong Li, Jianwei Song, Jianwei Wang, Zhe Wang 机构：华东理工大学计算机科学与技术系 通信作者：Dongdong Li 💡 毒舌点评 数据集的价值与新颖性的平衡：这篇论文的核心贡献是构建了一个“大而全”的空管数据集，并为其贴上了“呼号感知”的标签。这确实填补了社区的一个空白，但创新性更多体现在工程集成和管道设计上，而非提出全新的算法或理论。对于顶会而言，纯粹的数据集论文需要更强的动机和更深入的验证来证明其不可或缺性。 “LLM增强”的风险被低估：论文虽然承认了LLM生成描述中呼号和数字的保真度问题（71.34%，51.59%），但这恰恰是该数据集“音频-文本对齐监督”主张的阿喀琉斯之踵。在安全关键的空管领域，这种不可靠性是致命弱点。论文仅做了小样本定性分析，却没有提出或尝试任何系统性的检测、过滤或修正机制来确保生成内容的可靠性，这削弱了该部分工作的严谨性。 评估任务的深度与广度不足：提供的基线评估（Whisper零样本、CLAP微调）更像是“演示”而非“基准”。缺乏对数据集核心价值（呼号感知）的针对性深度评估，例如：使用呼号实体识别指标、对长尾呼号的识别分析、或将数据集用于训练一个强大的上下文感知ASR模型来展示其威力。当前的评估无法充分证明该数据集能带来何种质的飞跃。 📌 核心摘要 本文介绍了ATCCaps，一个针对空管通信的、呼号感知的语音数据集。ATCCaps包含202.94小时经过精心筛选的真实空管音频，共170,385条话语和922个唯一规范化呼号。数据集构建管道融合了置信度感知的机器转录解析、ADS-B导出的元数据、呼号规范化、基于规则的音频质量过滤以及大型语言模型（LLM）辅助的描述生成。每条保留的数据都配有转录文本、呼号描述和空管风格的描述，支持语音识别、呼号匹配和呼号感知的音频-文本检索等任务。论文对数据集进行了全面的统计分析，包括划分统计、呼号覆盖分析、过滤效果审计以及生成描述的质量评估，并提供了上述任务的基线结果。 ...

📄 CAAD: Contrastive Audio-Aware Distillation for Efficient Speech Language Models #语音识别 #模型压缩 #多模态模型 #语音情感识别 #对比学习 8.9/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 8.9/10 | 前25% | #语音识别 | #知识蒸馏 | #模型压缩 #多模态模型 | arxiv 👥 作者与机构 第一作者：Chun-Wei Chen，第二作者：Tzu-Quan Lin，第三作者：Ke-Han Lu，第四作者：Wei-Ping Huang，第五作者：Hung-Yi Lee。机构：台湾大学电机工程学研究所、台湾大学通讯工程学研究所、台湾大学人工智能卓越研究中心（NTU AI-CoRE）。 💡 毒舌点评 本文直击了语音语言模型蒸馏中“继承偏差而非克服偏差”的痛点，并提出了一个巧妙且高效的解决方案。其核心洞察——将推理时的对比解码（CD）逻辑训练时内化到学生权重——是清晰且有价值的。同步教师强制策略的设计也确实解决了传统对比蒸馏训练开销大的瓶颈。然而，这种巧妙设计严重依赖一个核心假设：由LLM基于元数据生成的“伪真实标签（Pseudo-GT）”是高质量且无偏的锚点。论文对此论证不足，这使得整个框架的上限存疑。实验虽然扎实，但仅在单一架构和压缩比上验证，普适性存疑。更关键的是，CAAD学生模型性能虽优于Std. KD，但仍不及教师模型的CD解码，这一差距的原因分析缺失。这像是一位学生学会了老师的“内功心法”（对比逻辑），但“内力”（模型容量）仍不及老师本人施展的威力。总的来说，这是一篇技术实现巧妙、实验导向明确的工作，但其核心组件的可靠性和结论的普适性需要更严格的审视。 📌 核心摘要 本文针对语音语言模型参数庞大且标准蒸馏会继承语言先验偏差的问题，提出了对比音频感知蒸馏（CAAD）。CAAD的核心是通过同步教师强制策略，利用文本元数据生成的伪真实标签（Pseudo-GT）作为锚点，使教师模型能高效计算“音频感知”和“仅文本”两条路径的对比分布。学生模型通过优化与“音频感知目标”的KL散度，将这种对比推理能力内化到单路径模型中，从而在不增加推理延迟的前提下，提升模型对音频信息的依赖并减轻语言偏差。实验在DeSTA2（8B教师到3B学生）上表明，CAAD在通用任务（Dynamic-SUPERB）上相比标准蒸馏有约8%的性能提升，在模态冲突任务（MCR-BENCH）上显著降低了语言偏见（Shift值从100%降至79.03%）。 🔗 开源详情 代码：https://github.com/ChenWils/Contrastive_Audio-Aware_Distillation.git 模型权重：论文中未提及具体链接。 数据集：论文中提及了AccentDB、DailyTalk、IEMOCAP、PromptTTS、VCTK、VoxCeleb以及MCR-BENCH中的MELD子集，但未提供具体下载链接。 Demo：论文中未提及。 复现材料：论文中提及了训练配置（使用RTX A6000 GPU训练70小时，优化器为FusedAdam，学习率 \(1 \times 10^{-4}\)，\(\lambda=0.7\)，\(\tau=2.0\)），但未提供具体检查点或附录。 论文中引用的开源项目：未提及具体开源项目链接。 🏗️ 方法概述和架构 CAAD框架旨在将教师模型在推理时使用的对比解码（CD）能力，高效地蒸馏到单路径的学生模型中，避免推理时双路径计算带来的延迟。该框架分为两个阶段，如图1所示。 阶段1：伪真实标签（Pseudo-GT）生成 此阶段为后续的同步蒸馏准备统一的锚点序列。给定音频输入 \(X^{A}\)，首先提取文本元数据 \(M\)（如性别、情绪、声学环境等）。然后，利用教师模型的LLM骨干（如Llama3-8B-Instruct），以元数据 \(M\) 为条件，自回归生成一个结构化的描述性文本序列 \(Y^{pseudo} = \{y_1, y_2, ..., y_L\}\)。这个序列 \(Y^{pseudo}\) 被视为一个高质量的、与音频内容对齐的伪真实标签，将作为阶段2中教师模型双路径生成的固定输入序列，以实现训练过程的并行化。论文还探索了另一种直接从连续音频嵌入生成 \(Y^{pseudo}\) 的基线，但消融实验（表3）表明，基于文本元数据的锚点具有更高的保真度。 阶段2：对比音频感知蒸馏 在此阶段，教师模型 \(\mathcal{T}\) 和学生模型 \(\mathcal{S}\) 同时使用阶段1生成的 \(Y^{pseudo}\) 作为输入序列的一部分，进行同步计算。 ...

📄 CORTIS: Text-Only Adaptation of Spoken Language Models for Task-Oriented Voice Agents #多模态模型 #正则化微调 #低资源 #鲁棒性 #语音识别 7.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 ✅ 7.7/10 | 前50% | #语音识别 | #多模态模型 | #正则化微调 #低资源 | arxiv 👥 作者与机构 Youngwon Choi (Maum AI Inc.) Hyeonyu Kim (Maum AI Inc.) Taeyoun Kwon (Maum AI Inc., Seoul National University) Donghyuk Jung (Korea Culture Technology Institute) Myeongkyun Cho (Maum AI Inc., KAIST) 通讯作者：youngwonchoi@maum.ai 💡 毒舌点评 创新性有限：论文提出CORTIS框架，核心是“用文本数据微调语音模型”，这是一个直观且合理的思路，并非突破性的技术新颖性。主要贡献在于在特定任务（语音代理）上验证了这一思路的有效性，并与级联系统进行了系统比较。 实验范围受限：虽然使用了三个数据集，但两个是公开基准，一个是未公开的内部数据集。关键的消融实验（如has_ablation: 否）缺失，未能深入探讨“冻结语音模块”、“提示格式一致性”等设计选择对性能的具体影响。 评估深度不足：论文声称优势在“高阶任务语义”和“噪声鲁棒性”，但缺乏对失败案例（如表2所示的实体错误）的定量分析。未报告置信区间或统计显著性检验，使得“竞争优势”的结论强度打折扣。 开源与可复现性差：论文未提供代码、模型权重或内部数据集的任何访问链接（has_code: 否， has_model: 否， has_dataset: 否）。尽管提供了详细训练配置，但缺乏代码使得完全复现困难，违背了顶会鼓励开源的原则。 影响力中等：工作为降低任务导向语音模型的标注成本提供了实用方案，但受限于仅在Qwen2.5-Omni架构上的验证（且附录C显示在其他模型上效果不佳），其普适性有待进一步证明。对语音领域的实际产品开发有一定参考价值。 📌 核心摘要 本文提出了CORTIS，一个用于任务导向语音代理的文本-only监督适配框架。其核心思想是：仅使用文本形式的任务监督数据（用户指令-结构化输出对）来微调口语语言模型（SLM）的LLM组件，同时冻结其语音编码器和模态适配器。利用SLM预训练时习得的跨模态对齐能力，使得微调后的模型在推理时能够直接处理语音输入，生成结构化任务输出，而无需任务特定的语音-标注对。实验在FSC、SLURP和一个内部产品数据集上进行，将CORTIS与使用相同文本监督数据的ASR-LLM级联系统进行对比。结果表明，CORTIS在性能上与级联系统具有竞争力，并在声学条件恶化时，对于保留高阶任务语义（如意图识别、函数调用）表现出更明显的优势。 ...

📄 DisSpeech: Low-Resource Controllable Mandarin Stuttered Speech Synthesis for ASR Augmentation #语音合成 #语音识别 #低资源 #数据增强 7.2/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.2/10 | 前25% | #语音合成 | #数据增强 | #语音识别 #低资源 | arxiv 👥 作者与机构 作者：Yao Lu 机构：TMCC, College of Computer Science, Nankai University, Tianjin, China (南开大学计算机科学学院智能多媒体计算中心) 邮箱：2211843@mail.nankai.edu.cn 💡 毒舌点评 动机与定位清晰，但“低资源”声明需斟酌：针对普通话口吃语音数据稀缺导致ASR性能下降的问题，提出合成增强方案，动机合理。声称“仅需少于50小时数据微调”，这在特定任务下是优势，但需注意AS-70数据集本身就有48小时，且预训练使用了85小时的AISHELL-3，严格意义上“低资源”可能指目标领域的微调数据量。 方法设计模块化，有改进但创新性中等：将离散token生成与可控口吃建模结合，并引入非自回归模型缓解误差累积，思路直接有效。然而，核心组件（SpeechTokenizer, MaskGCT, HiFi-GAN, 韵律解码器）均为已有工作，本文主要贡献在于整合与适配，针对口吃合成的原创性架构设计或理论贡献有限。 实验充分，但部分评估可深化：在合成质量和ASR增强上做了全面对比，结果显示有效。但缺少关键的消融实验来验证各组件（如非自回归模型、显式音高能量模块、口吃标签）的具体贡献。ASR增强实验虽结果显著，但“state-of-the-art”的声明受限于特定数据集和评估设置，泛化性未知。 开源与可复现性严重不足：论文未提供代码、模型权重或合成数据，这极大限制了其可复现性和对社区的贡献。作为一篇应用性较强的论文，不开源使得验证其主张和进行后续研究变得困难。 局限性挖掘可更深入：论文提及了未来工作方向，但审稿人认为应更尖锐地指出当前局限，例如：自动插入口吃标签的策略可能过于简单，无法模拟真实口吃的复杂性和上下文依赖性；模型在极严重或罕见口吃类型上的泛化能力未被验证；合成语音与真实口吃语音在自然度和多样性上的差距未被量化讨论。 📌 核心摘要 本文针对普通话口吃语音数据稀缺导致自动语音识别（ASR）系统性能下降的问题，提出了DisSpeech框架。该框架是一个基于离散语音token的低资源可控口吃语音合成系统，可用于ASR数据增强。核心思想是将文本和显式口吃事件标签通过非自回归掩码生成Transformer映射为语义token，再通过一个集成显式音高与能量建模的解码器重建声学特征，最终由HiFi-GAN生成波形。实验表明，DisSpeech在合成质量和口吃事件可控性上优于现有方法（如Stutter-TTS）。利用其生成的94小时合成口吃语音增强ASR模型训练后，Qwen3-ASR-0.6B模型在评估的普通话口吃语音识别任务上达到4.19%的最优字符错误率（CER），同时对流利语音识别性能影响轻微。 ...