语音识别

📄 Low-Burden Data Augmentation for Dysarthric ASR via Zero-Shot Voice Cloning #语音识别 #数据增强 #低资源 #语音合成 #迁移学习 8.7/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 8.7/10 | 前25% | #语音识别 | #数据增强 | #低资源 #语音合成 | arxiv 👥 作者与机构 Satwinder Singh: DeepNet Discovery Network, University of Auckland, New Zealand Qianli Wang: University of Auckland, New Zealand Zihan Zhong: University of Auckland, New Zealand Clarion Mendes: University of Illinois Urbana-Champaign, USA Mark Hasegawa-Johnson: University of Illinois Urbana-Champaign, USA Waleed Abdulla: University of Auckland, New Zealand Seyed Reza Shahamiri: DeepNet Discovery Network 💡 毒舌点评 这篇工作直击构音障碍ASR的痛点——数据稀缺，想法很直接：既然真实数据难采，那就用现成的“克隆”技术造点。实验也做得像样，跑通了从合成到微调的全流程，甚至挖了挖数据量的“甜点”和跨库泛化。但仔细一看，这更像是一个扎实的“技术可行性验证”而非突破性研究。核心工具（Higgs Audio V2, Whisper）都是别人的，创新主要在应用层面。最让人皱眉的是，所有结论都建立在TORGO这个只有8个说话人的小池塘里，就像用8个病例来验证一种新药的普适疗效，说服力天然受限。对于克隆数据为何对中重度患者更有效、为何数据过量会变差，分析止步于“可能因为…”，缺乏更硬的声学证据。作者们坦承了数据集规模的问题，但没有充分探讨这可能带来的结论偏差。总的来说，这是一篇合格的应用型工作，为工具箱增添了一种新方法，但离真正令人信服的、可推广的解决方案还有距离。 ...

📄 ReNikud: Audio-Supervised Hebrew Grapheme-to-Phoneme Conversion #语音合成 #语音识别 6.2/10 | 创新 1/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 6.2/10 | 前50% | #语音合成 | #语音识别 | arxiv 👥 作者与机构 论文摘要未提供作者与机构信息。根据arXiv ID 2606.20179，作者与机构信息需查阅原文。 💡 毒舌点评 一篇专注于解决特定语言（希伯来语）G2P问题的应用论文。其核心价值在于巧妙地将无监督音频信号引入，缓解了标注数据稀缺这一顽疾，思路值得肯定。但整篇论文给人一种“点子不错，但打磨不够精细”的感觉。伪标签生成管道的具体细节和误差分析似乎不足，伪音化架构虽说是“enforcing character-level alignment”，但其与传统序列模型（如Transformer）在强制对齐上的本质区别和优势论证略显薄弱。新提出的MILIM基准数据集作为核心贡献之一，其构建标准、数据规模、与现有基准的差异等关键细节在摘要中完全缺失，令人失望。声称“surpasses previous state-of-the-art methods”却未在摘要中给出任何具体指标提升，缺乏说服力。承诺开源是好的，但只有口头承诺而没有实质链接，大大降低了其即时影响力和可复现性。整体而言，这是一个有潜力的工作，但需要更扎实的细节支撑和更诚实的评估陈述。 📌 核心摘要 针对现代希伯来语的G2P转换任务，由于其元音附标文字特性（元音通常不书写），存在数据稀缺、正式规则与口语发音脱节、现有方法难以利用字符对齐性等挑战。现有方法要么依赖稀缺的注音数据预测音标符号，要么采用直接的序列到序列IPA预测但在有限数据下效果不佳。本文提出的ReNikud方法包含两个核心创新：(1) 弱监督音频监督：利用一个基于音素的ASR系统，对数千小时无标注希伯来语音频进行伪标签生成，获得反映自然口语发音的音素转录。(2) 伪音化架构：在模型设计上，强制在每个字符位置预测对应的IPA音素，利用了元音附标文字固有的字符级对齐特性作为归纳偏置。在现有的希伯来语G2P基准测试以及新提出的面向口语的MILIM基准上，ReNikud均优于先前的最佳方法。作者承诺将发布代码和训练好的模型。 🔗 开源详情 ��情 代码：论文中仅声明“We will release our code”（我们将发布代码），但未提供任何具体的代码仓库链接或平台信息。 模型权重：论文中仅声明“and trained models”（以及训练好的模型），但未提供任何具体的模型下载链接或平台信息。 数据集：论文提到了新提出的MILIM benchmark，但未提供任何获取该数据集的链接或详细信息。 Demo：论文中未提及任何在线演示。 复现材料：论文中未提供训练配置、超参数设置、检查点等具体的复现材料信息。 论文中引用的开源项目：论文中未明确引用或列出任何第三方开源工具及其链接。 标签 #语音合成 #语音识别 #弱监督学习 #伪标签生成 #序列到序列模型 主任务标签：#语音合成 主方法标签：#弱监督学习 #伪标签生成 #序列到序列模型 补充标签：#低资源 #数据增强 #预训练 ...

📄 S-JEPA : Soft Clustering Anchors for Self-Supervised Speech Representation Learning #自监督学习 #语音识别 #高斯混合模型 #数据增强 8.7/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 8.7/10 | 前25% | #语音识别 | #自监督学习 | #高斯混合模型 #数据增强 | arxiv 👥 作者与机构 Georgios Ioannides, Adrian Kieback, Judah Goldfeder, Linsey Pang, Aman Chadha, Aaron Elkins, Yann LeCun, Ravid Shwartz-Ziv (*平等贡献) 机构: 1Carnegie Mellon University, 2New York University, 3James Silberrad Brown Center for AI, 4Columbia University, 5Northeastern University, 6Stanford University, 7Amazon GenAI (†工作与Amazon职位无关)。通信作者：gioannid@alumni.cmu.edu。 ...

📄 Systematic Study of Dysarthric Speech Recognition: Spectral Features and Acoustic Models #语音识别 8.3/10 | 创新 1/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 8.3/10 | 前50% | #语音识别 | #语音识别 | arxiv 👥 作者与机构 Paban Sapkota, Hemant Kumar Kathania, Mikko Kurimo, Sudarsana Reddy Kadiri, Shrikanth Narayanan. 机构：印度Vellore Institute of Technology, 芬兰Aalto University, 美国University of Southern California. ...

📄 DASH: Dual-View Self-Distillation with Multi-Layer Hidden Representations for Robust Speech Recognition #语音识别 #自监督学习 #鲁棒性 #数据增强 6.6/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.4/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ✅ 6.6/10 | 前50% | #语音识别 | #自监督学习 | #鲁棒性 #数据增强 | arxiv 👥 作者与机构 1Department of Artificial Intelligence, Sogang University, Republic of Korea 2Department of Electronic Engineering, Sogang University, Republic of Korea ...

📄 IndicContextEval: A Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages #语音识别 #基准测试 #低资源 #多语言 9.5/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.4/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 9.5/10 | 前25% | #语音识别 | #基准测试 | #低资源 #多语言 | arxiv 👥 作者与机构 作者：Sakshi Joshi, Rathi, Singh, George, Hari, Bhogale, Khapra, Dhruv Subhash, Sanskar, Eldho Ittan, R J, Kaushal, Mitesh M。 机构：1 AI4Bharat, Indian Institute of Technology Madras, India; 2 Sarvam AI, India。 第一作者邮箱：sakshijcom@gmail.com。通讯作者邮箱：miteshk@dsai.iitm.ac.in。 ...

📄 Low-resource Language Discrimination Towards Chinese Dialects with Transfer learning and Data Augmentation #语音识别 #迁移学习 #数据增强 #低资源 5.5/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 0.1/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 📝 5.5/10 | 前50% | #语音识别 | #迁移学习 | #数据增强 #低资源 | arxiv 👥 作者与机构 作者：FAN XU, Yangjie DAN, Keyu YAN, Yong MA, Mingwen WANG（通讯作者） 机构：江西师范大学 💡 毒舌点评 这篇论文像是给一个常见套路（预训练+微调+分类头）穿上了“方言保护”的文化外衣，然后用一堆详尽但缺乏深度的实验表格来填充篇幅。核心创新点在于“用ASR的中间状态做方言分类”，但这更像是一个工程上的巧思，而非深刻的学术洞见。作者声称其简单数据增强因“计算成本低”而优于SpecAugment，这个理由在追求性能的顶会语境下显得有点说服力不足。最令人困惑的是，论文详细报告了PER（音素错误率），但这个指标与方言分类的最终目标关联性薄弱，像是为了凑实验而存在。基线模型选择停留在2018年，仿佛时间凝固，让人质疑对领域进展的了解。 ...

📄 Montreal Forced Aligner and the state of speech-to-text alignment in 2026 #语音识别 #基准测试 #低资源 #概率图模型 7.5/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ✅ 7.5/10 | 前25% | #语音识别 | #概率图模型 | #基准测试 #低资源 | arxiv 👥 作者与机构 作者：Michael McAuliffe, Kaylynn Gunter, Michael Wagner, Morgan Sonderegger 机构：1. University of Wisconsin–Madison, USA; 2. McGill University and Centre for Brain, Language, and Music, Canada; 3. University of Oregon, USA ...

📄 Native Active Perception as Reasoning for Omni-Modal Understanding #强化学习 #多模态模型 #Transformer #大语言模型 #计算机视觉 #语音识别 9.1/10 | 创新 1.6/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 0.9/1.5 | 开源 1.4/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 9.1/10 | 前10% | #语音识别 | #强化学习 | #多模态模型 #Transformer | arxiv 👥 作者与机构 Zhenghao Xing (香港中文大学), Ruiyang Xu (香港中文大学), Yuxuan Wang (香港中文大学), Jinzheng He (香港中文大学), Ziyang Ma (香港中文大学), Qize Yang (香港中文大学), Yunfei Chu (阿里巴巴Qwen团队), Jin Xu (阿里巴巴Qwen团队), Junyang Lin (阿里巴巴Qwen团队), Chi-Wing Fu (香港中文大学), Pheng-Ann Heng (香港中文大学)。注：论文首页标注了香港中文大学、上海交通大学、阿里巴巴Qwen团队和南洋理工大学。 ...

📄 Responsible ASR: Overcoming Challenges of Foundational Models in Narrow-Band and Low-Resource Settings #低资源 #自监督学习 #语音识别 6.5/10 | 清晰 3/1 ✅ 6.5/10 | 前50% | #语音识别 | #自监督学习 | #低资源 | arxiv 👥 作者与机构 Tejas Godambe, Nutan Choudhary, Sanket Shah, Nagaraj Adiga, Sharath Adavanne. Krutrim India Applied AI. 💡 毒舌点评 这是一篇典型的“工业界问题定义，学术界方法组合”的论文。作者诚实地展示了在真实、未公开数据上的挣扎，这比在完美干净数据集上刷点更有价值。但审稿人（我）的怀疑点在于：你所有的提升都建立在无法复现的数据和未公开的模型细节上（比如那个“商业”对比）。论文像一份优秀的内部技术报告，但离顶会标准还有距离——它缺少对方法选择背后的深入分析，以及更公平、更可复现的实验设计。那些“显著提升”的数字，在无法复现的条件下，说服力打了折扣。 📌 核心摘要 本文针对电话客服场景中窄带语音和低资源语言（印地语、印度口音英语）的ASR挑战，系统评估了主流开源（Whisper, NeMo, MMS等）及商业基础模型。零样本评估显示性能不佳。作者随后探索了在仅50小时标注数据下的多种适配策略：1) 在开源ASR模型（NeMo）上微调；2) 微调开源基础语音编码器（MMS）；3) 利用10万小时未标注域内数据，从头预训练一个基于BEST-RQ的语音编码器。实验表明，基于域内数据从头预训练的编码器性能显著优于微调通用编码器。最终，通过结合从头训练的编码器与伪标签增强技术，将英语和印地语的WER分别降至12.3%和16.6%，达到了可商用水平。 🔗 开源详情 代码：论文实验基于SpeechBrain框架，但未提供针对本研究的完整代码仓库。引用了Data2Vec_AQC的代码库：https://github.com/Speech-Lab-IITM/data2vec-aqc/tree/master。 模型权重：论文引用了以下开源预训练模型的权重：Whisper-Large v3 (https://huggingface.co/openai/whisper-large-v3)， MMS (1B) (https://huggingface.co/facebook/mms-1b)， MMS Adapters (https://huggingface.co/blog/mms_adapters)。���者自训练的语音编码器（In-house SE）及微调后的最终模型权重未公开。 数据集：论文中使用的100K小时未标注预训练数据、50小时标注微调/测试数据均为公司内部数据集，未提供公开获取链接。 Demo：论文未提及。 复现材料：论文详细描述了BEST-RQ和Transducer模型的架构参数、训练超参数、数据增强策略等，这些信息构成了复现其方法的核心细节。但由于核心数据集和模型权重未开源，仅凭这些信息无法完整复现实验结果。 🏗️ 方法概述和架构 本文的研究方法分为评估和改进两个主要阶段，核心架构基于开源的SpeechBrain框架实现。 ...