语音识别

📄 ArtBoost: Synthetic Articulatory Data Augmentation for Acoustic-to-Articulatory Inversion #语音识别 #数据增强 #低资源 6.5/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.9/1.5 ✅ 6.5/10 | 前50% | #语音识别 | #数据增强 | #低资源 | arxiv 👥 作者与机构 论文为匿名提交（Anonymous），作者与机构信息未在提供的原文中披露。 💡 毒舌点评 这篇论文就像是一个聪明的“数据搬运工”，想法直白得可爱：既然高质量的“发音轨迹”（EMA）数据难搞，那我就用现成的“脸动轨迹”（3D面部网格）数据来“假装”是它，先让模型学个皮毛。结果嘛，从实验数据上看，这招在小数据集上“唬人”效果拔群，在大数据集上聊胜于无。审稿人最烦这种“我知道这不够好，但你看数据提升了”的逻辑。核心的“领域差异”问题被轻描淡写地绕过了——用脸的运动去代表舌头、软腭的运动，这中间的物理鸿沟，论文只用两张漂亮的图就想糊弄过去，缺乏定量分析。此外，声称“对不同模型架构有效”，但只测了两个模型，这统计显著性堪忧。总而言之，这是一篇技术上中规中矩、想法上有小亮点但理论深度和实验严谨性都明显不足的工作，适合作为一篇“有启发性的小技巧”发表在workshop，但距离顶级会议（如原文暗示的NeurIPS级别）的标准，差距不小。给分6.2，是看在它确实为AAI领域提供了一个实用（尽管粗糙）的数据增强思路。 📌 核心摘要 ArtBoost 是一种针对声学到发音反转（AAI）任务的数据增强策略，旨在解决电磁 articulography（EMA）数据稀缺且昂贵的问题。其核心思想是利用大规模的语音-3D面部网格数据集（如TFHP），从中提取出代表可见发音器官（上唇、下唇、下切牙）运动轨迹的“伪发音轨迹”，作为额外的监督信号。具体流程包括：通过ASR将长视频分割为语句级片段；从网格中追踪对应面部锚点的三维坐标，构建出符合传统EMA格式的12通道轨迹（仅部分通道非零）；采用两阶段训练：先用带有通道掩码的损失函数在伪轨迹上预训练模型，使其学习可见的发音运动先验，然后在真实EMA数据集上进行全通道微调。实验在HPRC和USC-TIMIT两个数据集上，使用SSL-AAI和SI-AAI两种模型架构进行验证，结果表明该方法能一致性提升预测性能（PCC和RMSE），尤其在数据量更少的USC-TIMIT上增益显著。轨迹可视化进一步证实了伪轨迹的物理可解释性。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及。 数据集：论文中使用了公开数据集HPRC、USC-TIMIT和TFHP，但未提供这些数据集的处理脚本或具体使用方式的代码。 Demo：论文中未提及。 复现材料：论文中未提供训练配置、检查点、附录等具体复现材料。论文中提到了实验设置（如使用单个NVIDIA RTX 3090 GPU，并遵循特定预处理协议），但未提供可直接复用的配置文件。 论文中引用的开源项目：未提及。论文引用了FLAME拓扑模型等文献，但未给出其具体的开源仓库链接。 🏗️ 方法概述和架构 ArtBoost 的方法流程如论文图2所示，是一个从数据准备到模型训练的完整流水线，旨在将大规模语音-网格数据转化为可用于AAI模型预训练的伪监督信号。整个过程分为三个核心步骤：ASR引导的语句分割、伪发音轨迹提取、以及两阶段训练策略。 ...

📄 ArtNet: A JEPA-Like Articulatory Predictive Framework for Robust Zero-Shot Phoneme Recognition #语音识别 #自监督学习 8.3/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8.3/10 | 前50% | #语音识别 | #自监督学习 | arxiv 👥 作者与机构 作者：Zeqian Hu, Fuliang Weng, Shu Shang, Yaqian Zhou 机构：Fudan University, China; Pedawise, Shanghai, China 💡 毒舌点评 这篇工作思路清晰，实验也扎实，像一个优秀的“工程师”而非“科学家”。它巧妙地利用现成的强力骨干网络（mHuBERT-147）和已知概念（VIB、发音特征），组装出一个有效的零样本系统。然而，真正的创新点——将JEPA范式引入语音的适配方式，以及VSIA策略的理论深度——被淹没在了工程细节中。论文最大的遗憾在于“偷懒”：未能挑战更远语系的语言、未能深入剖析AP模块的“功劳”到底多少归于自身设计、多少归于强大骨干网络的“光环效应”。这让它的贡献停留在“有效系统集成”层面，对于追求“为什么有效”的顶会来说，吸引力有限。 📌 核心摘要 论文针对零样本跨语言音素识别中声学到符号映射脆弱的挑战，提出ArtNet框架。该框架借鉴视觉领域的联合嵌入预测架构（JEPA），将任务重构为基于发音特征的结构化预测任务。ArtNet包含一个发音预测器（AP）和变分信息瓶颈（VIB），旨在从自监督学习（SSL）特征中提取与语言无关的、鲁棒的发音表示，并抑制语言特定的变化。实验在七种未见语言上进行，结果显示，结合所提出的向量空间库存对齐（VSIA）策略，ArtNet显著优于基线，将音素错误率（PER）相对降低了20.56%，发音特征错误率（PFER）降低了7.01%。 ...

📄 Bridging the SEA Gap: An Initial Benchmark for Neural Audio Codec-Synthesized Speech Deepfakes in South-East Asian Languages #语音合成 #语音识别 #多模态模型 #低资源 8.2/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.3/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 8.2/10 | 前25% | #语音合成 | #语音识别 | #多模态模型 #低资源 | arxiv 👥 作者与机构 论文作者为 Orchid Chetia Phukan (IIIT-Delhi, 通讯作者), Girish (IIIT-Delhi, UPES), Mohd Mujtaba Akhtar (IIIT-Delhi, VBSPU), Arun Balaji Buduru (IIIT-Delhi)。所属机构为印度信息技术学院德里分校（IIIT-Delhi）、UPES 和 VBSPU。 ...

📄 Confidence Score Guided Incremental and Speaker Adaptive Pseudo-Labeling for Semi-Supervised Elderly Speech Recognition #语音识别 #参数高效微调 #低资源 #数据增强 #课程学习 7.2/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 7.2/10 | 前50% | #语音识别 | #参数高效微调 | #低资源 #数据增强 | arxiv 👥 作者与机构 作者：Chengxi Deng, Xurong Xie, Shujie Hu, Jiajun Deng, Mengzhe Geng, Youjun Chen, Huimeng Wang, Haoning Xu, Guinan Li, Xunying Liu。 机构：1. 香港中文大学；2. 中国科学院软件研究所；3. 加拿大国家研究委员会。 ...

📄 Decoding while Adapting: Zero-Shot Online Speaker Adaptation via Audio-Textual Prompts for Elderly Speech Recognition #语音识别 #提示学习 #低资源 #参数高效微调 6.8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 6.8/10 | 前50% | #语音识别 | #提示学习 | #低资源 #参数高效微调 | arxiv 👥 作者与机构 作者列表（按论文顺序）： Chengxi Deng, Xurong Xie, Shujie Hu, Mengzhe Geng, Tianzi Wang, Youjun Chen, Huimeng Wang, Haoning Xu, Jiajun Deng, Xunying Liu 机构： ...

📄 EChO-Agent: Evidence Chain Orchestration Agent for Audio Reasoning #音频问答 #语音识别 #音频事件检测 #音乐信息检索 #多模态模型 #大语言模型 6.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.1/10 | 前50% | #音频问答 | #语音识别 | #音频事件检测 #音乐信息检索 | arxiv 👥 作者与机构 作者：Siyuan Zhang, Jian Zong, Junyu Wang, Peiyuan Jiang, Jiahao Yan, Jingyu Zhang, Tianrui Wang, Xiaobao Wang, Longbiao Wang, Jianwu Dang 机构：School of Artificial Intelligence, Tianjin University, Tianjin, China 💡 毒舌点评 这篇文章提出了一个听起来很厉害的“证据链编排”框架来解决音频推理问题，思路清晰，系统设计也算完整。但作为一名顶会审稿人，我必须指出几个硬伤：首先，创新性有限，所谓的“证据整合”本质上是用另一个LLM（DeepSeek-V3）来摘要和过滤工具输出，这更像是工程上的Pipeline优化，而非原理上的突破。其次，整个框架严重依赖两个闭源的大型商业模型（DeepSeek-V3 和 Qwen-3-Omni-Instruct），这使得结果的独立性和可复现性大打折扣，更像是在为这些模型做能力演示。实验方面，只在一个基准（MMAR）上测试，且报告的提升幅度（+2.3%准确率，+4.3评分）在绝对值上并不算惊人，尤其是在没有与其他顶尖智能体方法（如文中提到的AudioRAG）进行直接对比的情况下。消融实验虽然做了，但“w/o Observation”和“w/o Evidence Integration”的巨大差距说明，脱离了特定的工具和外部LLM，这个框架本身可能非常脆弱。最后，代码完全未开源，这极大地限制了其在研究社区中的影响力和可复现性。总的来说，这是一个扎实的系统工程工作，但离顶会论文所要求的理论深度和实验说服力还有距离。 ...

📄 From Awareness to Adherence: Bridging the Context Gap in Spoken Dialogue Systems via Context-Aware Decoding #语音识别 #大语言模型 6.7/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 6.7/10 | 前50% | #语音识别 | #大语言模型 | arxiv 👥 作者与机构 Che Hyun Lee, Heeseung Kim, Sungroh Yoon 机构： 1 ECE and 2 IPAI, Seoul National University, Seoul 08826, Korea 3 Department of AI, University of Seoul, Seoul 02504, Korea ...

📄 MambAdapter: Lightweight Mamba-Based Adapters for Parameter-Efficient Transfer Learning in Speech and Audio #语音识别 #音频分类 #参数高效微调 8.9/10 | 创新 1.6/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.9/10 | 前25% | #语音识别 | #参数高效微调 | #音频分类 | arxiv 👥 作者与机构 Hussain Ali Cappellazzo, Salman Sami Hussain Ali, Umberto Cappellazzo, Mirco Ravanelli. 机构：1Université de Montréal, Canada; 2Imperial College London, UK; 3Concordia University, Canada; 4Mila – Quebec AI Institute, Canada. ...

📄 ROMPAR: Morphological Completion and Demographic Unlearning for Romanian-Accented Speech Recognition #语音识别 #数据集 #对抗训练 #低资源 6.2/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.7/1.5 ✅ 6.2/10 | 前50% | #语音识别 | #对抗训练 | #数据集 #低资源 | arxiv 👥 作者与机构 作者：Avram Antonie Badea, Florea Zaharoiu, Andrei-Marius, Aureliu-Valentin, Ştefan-Bogdan, Andrei, Robert-Nicolae, Dumitru-Clementin 机构：National University of Science and Technology POLITEHNICA Bucharest, Romania ...

📄 Scaling Human and G2P Supervision for Robust Phonetic Transcription #语音识别 #数据增强 #低资源 #课程学习 #预训练 7.6/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 0.7/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.6/10 | 前25% | #语音识别 | #课程学习 | #数据增强 #低资源 | arxiv 👥 作者与机构 作者：Alexander Metzger, Aruna Srivastava, Ruslan Mukhamedvaleev 机构：Koel Labs LLC, USA 💡 毒舌点评 这篇论文干了一件聪明且务实的事：与其去发明一个新模型，不如老老实实地做一份扎实的“菜谱”实验。它精准地戳中了当前G2P数据增强“堆量”路线的一个关键软肋——当人工标注数据达到某个“质量阈值”（20-30小时）后，廉价的G2P数据就成了食之无味弃之可惜的鸡肋，甚至可能因为引入偏差而坏事。论文最大的价值在于其扎实的实证研究设计和对“度”的把握，而不是某个花哨的算法。不过，其宣称的“鲁棒性”提升，目前看来更像是“在更匹配的测试集上表现更好”，其泛化能力仍受限于英语和特定的方言集合。 📌 核心摘要 本文系统研究了在英语自动音素转写任务中，人工标注数据与Grapheme-to-Phoneme (G2P) 模型生成标签的质量和数量如何交互影响模型性能。通过构建一个包含8种数据集、涵盖母语方言、非母语及病理语音的80小时标准化基准，作者发现了一个明确的监督质量阈值：当可用的人工标注数据超过20-30小时后，额外增加G2P数据不再带来统计上显著的性能提升，甚至可能降低模型在跨方言场景下的鲁棒性。相反，在此阈值之后，采用ASR预训练策略能持续有效地提升跨领域泛化能力。基于此发现，论文提出的“最优课程”训练方案在加权音素特征错误率（WPFER）上达到了先前最优系统的2.3倍改进，尤其在非母语和失语症语音数据上表现突出。 ...