论文解读
热启动之后再听一次：用隐状态夹角找出语义词并只在那里纠错
论文在 LoRA 适配的 ASR-LLM 中复用基座 LLM，以对应层隐状态的余弦相似度和范数比定位需语义纠错的词；单遍混合解码的平均实体错误率为 18.38%，有效搜索宽度约为贪心的 1.4 倍，双遍精修则把波束基线的 18.29% 降到 17.69%，但其总计算成本与墙钟时间未量化。
语音识别
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
论文解读
十六种方言同一套音频：辨别与转写为何难同步提升
该挑战用同一批十六类方言音频同时考辨别与转写，统一基线仅 53.62% 辨别准确率与 18.10% 转写错误率，最强受限系统做到 83.19% 与 11.08%，而困难方言与混淆方向显示两任务相关但不可互相替代。
论文解读
从听见一个词到认出一个词：LibriBrain100 如何把词分类与跨人泛化变成可比的竞赛
论文把脑磁图听语音解码推进到固定 50 词分类，用深度单人赛道冲极限、用广度多人赛道考少量数据适应，以竞赛词表平衡前十准确率为主要标尺并配双词表与互信息，同时代价是评估只覆盖固定词表而非开放词汇转写。
论文解读
百分之百的正确，也可能只说出了百分之五：语音脑机接口需要一把共同的尺子
语音识别 | 7.4/10
论文解读
别让音频去写作，让它来验货：AVERT 对口语状态跟踪的裁决式修正
语音识别 | 7.6/10
论文解读
一个人、一套配方、七种适配器：重度构音障碍识别该押注哪种微调
语音识别 | 5.9/10
论文解读
念对了也白搭：尼泊尔金融语音里被格式卡住的钱包
语音识别 | 6.1/10
论文解读
在喇叭与犬吠同时响起时听清人声：VAANI 如何把印度田野噪声钉在时间轴上
语音识别 | 5.8/10
论文解读
边听边分清谁在说：把长历史留下来做说话人归属
语音识别 | 7.5/10
论文解读
不做硬切分：用连续说话人占比给 Whisper 注入重叠感知
语音识别 | 6.2/10
论文解读
当解码器缺的不是声音，而是下一词的语义证据
语音识别 | 8.4/10
论文解读
用最轻的耳蜗换最高的精度：HLP 脉冲编码为何在干净数据上赢、在嘈杂数据上输
语音识别 | 6.8/10
论文解读
在并行与记忆之间找缝隙：WhisperX 如何既跑得快又记得住
语音识别 | 7.4/10
论文解读
听见是谁在说：用反事实声纹逼语音模型从猜文本回到听声音
说话人日志 | 7.0/10
论文解读
当模型听得懂阿拉伯语，却看不懂阿拉伯文化：ImageEval 2026 的三重拷问
语音识别 | 8.1/10
论文解读
给大模型加声学缰绳：用 0.6 nats 的似然约束把翻译式幻觉拉回转录
语音识别 | 7.8/10
论文解读
口音不是噪声，是距离：当母语离英语越远，ASR 的潜空间就越把你推开
语音识别 | 6.9/10
论文解读
提示词动了，词错误率为什么不动：一次生产级口述史转录的预注册阴性消融
语音识别 | 7.4/10
论文解读
把循环拆成并行：用时带混合与自适应回退让增强前端不再拖累识别
语音增强 | 6.2/10
论文解读
听得更干净，却想得更错：当语音增强把大模型带偏
语音增强 | 8.0/10