语音识别

📄 GC-LoRA: Gated Convolutional LoRA for Parameter-Efficient Acoustic Adaptation #语音识别 #参数高效微调 7.6/10 | 创新 1.6/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.6/10 | 前25% | #语音识别 | #参数高效微调 | arxiv 👥 作者与机构 Natarajan Balaji, Zilai Wang, Kaiyuan Zhang, Mohan Shi, Abeer Alwan。1 University of California, Los Angeles, USA。 💡 毒舌点评 这篇工作把“在LoRA的低秩瓶颈里塞个卷积”这件事包装得相当到位，动机（给Transformer补局部建模能力）清晰且符合直觉。实验设计也够扎实，跨数据集、跨模型规模的验证都有，消融实验也基本做全了。不过，最大亮点也就是“把Conformer的一个模块精简后嵌进LoRA”，创新幅度不算特别大。作者诚实地承认了在某些数据集上性能提升很微弱（如CORAAL上9.9% vs 10.1%），但统计检验还是显著的，这很好。最大的槽点是，这篇工作只在Whisper这种encoder-only的语音编码器上做了验证，对于现在更主流的encoder-decoder或者端到端语音大模型（如Whisper的完整结构，或Qwen-Audio等）效果如何，完全没提。另外，所有实验都用的英语，跨语言能力是个大大的问号。总结：一篇扎实但保守的增量式改进工作，适合发在ICASSP或Interspeech，冲击NeurIPS/ICML主会需要更强的通用性论证。 📌 核心摘要 本文针对基于Transformer的语音基础模型在声学失配场景下性能下降的问题，提出了GC-LoRA。其核心思想是将Conformer模型中的门控深度可分离卷积模块，嵌入到标准LoRA适配器的低秩瓶颈内部，并应用于注意力层的输出投影矩阵（Wo）。这种设计使得适配器在保持低参数量的同时，能够显式建模局部声学上下文，从而弥补标准LoRA仅进行全局线性调整的不足。在Whisper骨干网络上，GC-LoRA仅使用447k参数，就在包括会议录音（AMI）、电话语音（Switchboard）、方言（CORAAL）和儿童语音（MyST）在内的四个跨领域数据集上，相较于使用829k参数的标准LoRA，实现了统计显著的WER降低（最高达10.9%相对改进）。消融实验验证了门控机制、深度可分离卷积以及Wo目标选择的有效性。该方法代码已开源。 ...

📄 LLM can Read Spectrogram: Encoder-free Speech-Language Modeling #语音识别 #语音合成 #参数高效微调 #大语言模型 #模型压缩 8.6/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.6/10 | 前25% | #语音识别 | #参数高效微调 | #语音合成 #大语言模型 | arxiv 👥 作者与机构 论文标题为 “LLM can Read Spectrogram: Encoder-free Speech-Language Modeling”。arXiv ID为 2606.10231。论文中未明确列出所有作者及隶属机构。基于作者列表格式和内容，可确认论文有多个作者及贡献者，但具体所属机构（如高校、公司或研究所）未在提供的论文节选中明确说明。 💡 毒舌点评 这篇论文的“去编码器”想法确实像在语音领域做了一次“iPhone时刻”的宣言，勇气可嘉。然而，这种“直接吃生频谱图”的豪赌，在ASR上虽勉强过关，但在TTS上却更像是一个概念验证的“玩具”——输出质量远未达标，却试图用“可行性”一词来掩盖工程上的粗糙。论文的论证强在消融实验的洞察力（比如发现了LLM低层更像语音编码器），但弱在对“为什么需要去编码器”这个根本问题的辩护上。作者声称去掉了巨大的编码器，却忘了提自己引入的线性投影层和LLM本身庞大的参数量才是计算瓶颈的新主角。更令人皱眉的是，论文与同期Google Gemma 4 12B的“撞车”，虽然脚注了，但削弱了其作为“首篇学术论文”的时效性和独特性。总而言之，这是一项有启发性但未完成的工作，像一篇精彩的博士开题报告，而非一篇令人信服的NeurIPS论文。 📌 核心摘要 本文提出Mel-LLM，一种无编码器的语音大语言模型（Speech-LLM）架构。该模型直接将预处理的梅尔频谱图块通过线性投影层输入到LLM（基于Phi-4-MM）中，省去了传统的预训练语音编码器（如Whisper）。论文在自动语音识别（ASR）和文本转语音（TTS）任务上进行了探索。 ASR结果表明，无编码器方案在OpenASR公开数据集上与编码器基线相比性能下降有限，尤其在数据规模扩大（10倍内部数据）时差距显著缩小（相对下降仅3.8%）。消融实验显示，来自多模态检查点（Phi-4-MM）的初始化在有限数据下至关重要，且LLM的低层（0-23层）更关键于隐式语音编码。 TTS部分采用基于MELLE框架的下一个词元VAE方法进行初步探索，结果表明无编码器架构在TTS上具有可行性，但性能尚未达到最优，且严重依赖Phi-4-MM初始化和合适的训练技巧（如Dropout）。 ...

📄 OmniCap-IF: Benchmarking and Improving Instruction Following Abilities for Omni-Video Captioning #语音生成 #语音识别 9.1/10 | 创新 1.6/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.3/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 9.1/10 | 前25% | #语音生成 | #语音识别 | arxiv 👥 作者与机构 第一作者：王家豪（南京大学） 通讯作者：刘家恒（南京大学） 共同一作：王家豪，安平，王阳海 机构：南京大学LINK团队，快手科技可灵团队 💡 毒舌点评 基准测试虽号称“首个”，但核心创新在于将已有的指令跟随评估范式（如IFEval）扩展到全模态视频领域，并叠加了时间定位。约束类型的划分（50种）听起来很多，但很多是既有工作的组合或简单变体（如不同的JSON格式、列表格式）。 发现的“格式-内容权衡”现象并非首次发现，原文引用了相关工作（Tam et al., 2024; Deng et al., 2025），本文是在多模态场景下的验证，贡献在于将其显式化并量化。 训练数据集OmniCap-IF-54K的构建流程虽然详细，但严重依赖闭源模型（Gemini-3-Flash）和无法复现的中间数据（ASID-Captioner-7B的输出），这削弱了方法的可复现性和独立性。 作者声明的局限性（LLM评估偏差、短视频限制）是合理的，但回避了更关键的问题：指令模板是否充分代表了真实用户需求？约束的难度是否平衡？以及，基准的“高复杂度”是否可能沦为对模型生成冗长或格式化文本能力的考察，而非真正的指令理解？ 论文在实验上用力过猛，列出了大量模型（14个），但对失败案例和边界条件的分析不足。部分对比（如与HumanOmniV2-7B的对比）意义有限，因为模型规模和架构差异巨大。 📌 核心摘要 本文提出了OmniCap-IF，这是一个用于评估和提升全模态视频描述模型指令遵循能力的综合基准。该基准包含1920个样本和50种约束类型，覆盖格式、视觉、音频和跨模态内容。作者发现了一个关键现象：严格的格式约束会损害模型的跨模态推理能力（“格式-内容权衡”）。为应对此问题，他们构建了大规模指令微调数据集OmniCap-IF-54K，并基于此训练了OmniCaptioner-IF系列模型，在指令遵循和通用描述性能上均取得了提升。 ...

📄 Phoneme-First Prediction for LLM-Based Speech Recognition #语音识别 #大语言模型 #参数高效微调 #低资源 6.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.9/10 | 前50% | #语音识别 | #参数高效微调 | #大语言模型 #低资源 | arxiv 👥 作者与机构 论文作者为 Jakob Poncelet 和 Hugo Van hamme。论文未明确列出作者所属机构，但致谢部分表明研究获得了 Research Foundation Flanders (FWO) 和 Flemish Government 的资助。 💡 毒舌点评 这篇论文的核心想法“先读音素再认字”直观且易于实现，实验也做得很全面。但问题在于，它试图解决的“对齐”问题可能被简单化了，而提出的解决方案（音素）虽然有效，却引入了新的外部依赖（强制对齐工具和词典），并且其最核心的机制（联合训练为何有效）没有得到令人信服的解释。论文更像是一次成功的工程实践，而非一次深刻的机制探索。将ASR性能与专用系统直接比较显得底气不足，论文也巧妙地避开了与近期多模态LLM的强基线对比。 📌 核心摘要 针对当前基于LLM的语音识别系统在连接语音编码器特征与文本语义嵌入时存在的对齐差距问题，本文提出了一种简单有效的方法：在训练和推理时，让LLM首先从语音特征中预测音素，然后再生成文本转录。通过引入音素这一细粒度的声学单元作为中间目标，模型能够学习更精细的发音知识，从而减少声学混淆（如同音异形词）。为解决仅使用音素优先提示训练时，LLM可能过度依赖音素序列而忽略原始语音特征的问题，论文提出了一种联合训练策略，即在训练时随机混合使用标准和音素优先的提示-目标对。实验在多个数据集（LibriSpeech, TEDLIUM, Spoken Dutch Corpus）和不同类型的语音编码器（Whisper, HuBERT, CTC正则化编码器）上进行，结果表明，该方法普遍降低了词错误率（WER），尤其在低资源（100小时）和更自然的语音（TEDLIUM）上效果更显著。同时，分析显示模型生成的转录在音素层面也更准确，表明其声学忠实度得到提升。该方法无需额外的人工标注，且为模型决策提供了一定的可解释性。 ...

📄 Speaker Group Encoding in Self-supervised Speech Recognition Models #自监督学习 #语音识别 #说话人识别 6.5/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 6.5/10 | 前50% | #语音识别 | #自监督学习 | #说话人识别 | arxiv 👥 作者与机构 Felix Herron1,2, Solange Rossato2, Alexandre Allauzen1, Benoit Favre2,3, François Portet2 MILES Team, LAMSADE, Université Paris Dauphine-PSL, France GETALP Team, LIG, Université Grenoble Alpes, France NLP team, LIS, Aix-Marseille University, France 💡 毒舌点评 这篇论文的野心不小，想搞清楚自监督语音模型里到底藏了多少“刻板印象”（性别、年龄、方言等）。想法挺有意思，也设计了带梯度反转的探针来避免“记人头”，算是个方法上的小创新。实验做得也算系统，横跨了预训练、微调、公平性算法好几个阶段。但问题也很明显：一是对“语音变异”和“语义变异”的划分过于想当然，缺乏硬核的量化标准来验证；二是实验设置有硬伤，用智能音箱命令的测试集去评估在通用语音（CommonVoice）上微调的模型，这领域鸿沟就像让一个在普通话新闻联播上训练的人去听懂四川话点外卖，结论的普适性得打个大问号；三是Meta数据集的伪ID分割堪称“掩耳盗铃”，泄露风险未被严肃评估；四是整篇分析都停留在“探测到信息存在”的层面，至于这些信息到底怎么具体影响ASR的错误率，跟下游任务性能有多大因果关系，基本是“浅尝辄止”。代码、模型、数据全都没开源，让复现成了空中楼阁。 ...

📄 Speech Encoder Fusion for LLM-based Automatic Speech Recognition #语音识别 #多模态模型 #低资源 #参数高效微调 7.2/10 | 创新 1.2/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.2/10 | 后50% | #语音识别 | #参数高效微调 | #多模态模型 #低资源 | arxiv 👥 作者与机构 Jakob Poncelet, Hugo Van hamme KU Leuven, Department Electrical Engineering ESAT-PSI, Leuven, Belgium 💡 毒舌点评 本文的核心想法——融合多个语音编码器以提升LLM-ASR性能——直觉上合理，但技术执行和实验论证深度不足。所谓“创新”的融合架构（如Sigmoid门控）本质上是简单的加权平均或注意力机制的标准应用，缺乏针对语音-LLM交互的专门设计。实验结论在多语言和说话人分离任务上显得有些仓促，部分关键结论（如“Temporal Transformer捕捉互补信息最佳”）仅凭有限的表格数据支撑，缺乏更细致的分析。论文自述的“计算开销有限”优势在文中未提供任何实际运行时对比数据，显得空洞。整体而言，这是一项增量式的工作，将现有融合技术打包应用到语音LLM中，其技术贡献和系统性分析未达到顶会论文的典型水准。 📌 核心摘要 本文探讨了在基于大语言模型（LLM）的自动语音识别（ASR）系统中，融合多个预训练语音编码器的可能性。作者旨在利用不同编码器（如多语言的Whisper与单语言的专用模型NeLF、Wav2Vec2）的互补性来提升性能。研究提出了五种融合策略：特征拼接、Sigmoid门控、多头门控、位置Transformer和时间Transformer。实验在荷兰语、英语的单语和多语ASR任务，以及结合说话人编码器（ECAPA2）的说话人分离ASR任务中进行。结果表明，在大多数设置下，精心设计的融合方法（特别是Transformer类）优于简单的特征拼接，且计算开销增加有限。此外，将预训练ASR解码器的初步预测作为LLM的额外输入，可进一步显著提升性能，甚至在某些情况下使语音LLM接近或超越专用ASR模型。 ...

📄 Speech Meets ELF: Audio Conditional Continuous-Target Diffusion for Speech Recognition and Translation #语音识别 #语音翻译 #扩散模型 #流匹配 8.3/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.3/10 | 前25% | #语音识别 | #语音翻译 | #扩散模型 #流匹配 | arxiv 👥 作者与机构 论文作者包括 Xuanchen Li（共同第一作者）， Tianrui Wang（共同第一作者）， Yuheng Lu， Zikang Huang， Yu Jiang， Chenghan Lin， Chenrui Cui， Ziyang Ma， Xingyu Ma， Chunyu Qiang， Guochen Yu， Xie Chen， Longbiao Wang， Jianwu Dang（通讯作者）。机构在作者列表中未明确标注，但根据通讯作者信息及论文常见模式，推测主要来自小米和相关合作机构。 ...

📄 Towards Deep Contextual Reasoning from Broad Descriptions for ASR with Speech-LLM via Metadata-Driven Reasoning Chains #语音识别 #参数高效微调 #多任务学习 #数据增强 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 0.3/1.5 | 复现 0.4/0.5 | 工程 0.5/1.5 ✅ 6.2/10 | 前50% | #语音识别 | #参数高效微调 | #多任务学习 #数据增强 | arxiv 👥 作者与机构 Jakob Poncelet, Hugo Van hamme，来自比利时鲁汶大学电气工程系ESAT-PSI。 💡 毒舌点评 这篇论文的核心想法——让语音大模型通过“推理”来利用宽泛的元数据进行纠错——听起来很美好，但更像是把传统的“关键词偏置”包装成了“深度推理”。其“推理”链的生成完全依赖于一个离线的文本LLM，训练时模型只是在模仿这个固定链条的输出，这与模型自身进行多步逻辑推断的“深度”相去甚远。实验上，评估集（M³AV）与训练数据来源高度重合（同为YouTube学术视频），这让人怀疑其改进是否仅仅是过拟合到了特定领域和说话风格。更关键的是，论文声称解决“音频与上下文冲突”，但并未提供任何实验或分析来展示模型在这种情况下会如何决策，这使得其核心论证之一成了空中楼阁。总的来说，工作扎实但缺乏真正的突破性，将“链式思维监督”等同于“学会推理”是一个需要更严格论证的强假设。 📌 核心摘要 本文针对自动语音识别（ASR）在罕见词和领域特定术语上表现不佳的问题，提出了一种利用广泛上下文描述（如视频标题、描述）进行“深度上下文推理”的方法。核心思路是构建一个两阶段流程：首先，通过流水线将音频、其错误转录文本、上下文元数据以及文本LLM生成的“推理链”配对，构建一个“推理增强”的语音数据集（约400小时）。其次，训练语音LLM（如Qwen2-Audio-7B）以链式思维（CoT）格式输出：先生成初始转录，然后基于上下文进行推理，最后输出修正后的转录。实验在M³AV、SlideSpeech和SlideAVSR等测试集上进行，表明该方法在稀有词和命名实体识别上相比多种基线（如无微调、仅ASR微调、带上下文直接微调）均有提升。然而，论文的“推理”主要依赖预生成的监督信号，模型是否真正进行了多步推理存疑。评估数据集与训练数据同源，泛化能力有待验证。论文开源了构建的数据集，但未提供代码或模型权重。 ...

📄 TRADE: Transducer-Augmented Decoder for Speech LLM #语音识别 #大语言模型 7.4/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.1/1.5 | 复现 0.2/0.5 | 工程 1/1.5 ✅ 7.4/10 | 前25% | #语音识别 | #大语言模型 | arxiv 👥 作者与机构 作者：Yun Tang, Shanil Puri, Shinji Watanabe, Subhabrata Mukherjee 机构：Hippocratic AI, Carnegie Mellon University 💡 毒舌点评 这篇论文试图解决一个关键痛点：给已经很强的语音大模型（Speech LLM）加上实时听写的能力。作者的思路很直接，既然LLM自己没法“听音辨位”，那就外挂一个天生就有时间感的“耳朵”（转录器/Transducer）。这种“LLM负责想，转录器负责听和对齐”的混合架构（TRADE）想法确实巧妙，尤其是在共享编码器和隐藏状态上的设计，体现了工程上的巧思。然而，论文最大的槽点在于“闭源”——代码、模型、数据统统不给。在当下这个强调复现和开源的时代，这简直是在审稿人雷区蹦迪。文章报告的性能看起来不错，但缺乏可验证的实现细节（比如“Decoder-to-Joint Adaptor”具体是什么网络？），让整个工作的可信度打了个折扣。创新性有，但更多是系统工程上的整合创新；理论深度一般；实验还算全面，但局限性部分提到的“英语限制”和“计算需求”在顶级会议上几乎是标配批评，缺乏更犀利的自我剖析。 📌 核心摘要 本文提出TRADE，一种将转录器（Transducer）与多模态大语言模型（LLM）紧密耦合的架构，旨在解决语音LLM缺乏帧同步对齐、难以进行流式推理和端点检测的问题。TRADE通过共享音频编码器，并将LLM的隐藏状态直接用作转录器的预测网络，实现了声学对齐与语言推理的紧密耦合。其关键设计包括：1) 从LLM词表派生的紧凑转录器词表，实现零成本分数融合；2) 分块同步训练与梯度阻断，消除训练-推理不匹配；3) 局部解码器音频注意力（LDAA），用因果滑动窗口限制LLM对音频注意力的内存占用。单一检查点支持离线、流式及长语音解码。在Open ASR Leaderboard上，离线WER为6.71%，流式（960ms块）WER为8.40%；长语音无需外部分割即在TED-LIUM和Earnings-22上分别取得3.64%和10.88%的WER。此外，转录器输出的标点可与声学VAD融合，提升端点检测F1值0.03。 ...

📄 ViP-VL: Vietnamese Self-supervised Speech Pretraining Model with Vector-Quantization Learning #自监督学习 #低资源 #语音识别 #语音情感识别 #说话人验证 9.7/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9.7/10 | 前25% | #语音识别 | #自监督学习 | #低资源 #语音情感识别 | arxiv 👥 作者与机构 作者：Khanh Le, Kiet Anh Ha, Bao Duy Le, Dung Thai, Linh Khoa Tran, D Doan 机构：VinUniversity, Vietnam; UNEY, Switzerland ...