语音识别

📄 Language-Specialized Multi-Teacher On-Policy Distillation for Multilingual LLM-Based ASR 标签：#语音识别 #知识蒸馏 #多语言 #强化学习 #语音大模型 6.9/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 6.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #知识蒸馏 | #多语言 #强化学习 | arxiv 👥 作者与机构 第一作者：Yuan Xie（机构未说明） 通讯作者：未说明 作者列表：Yuan Xie、Jiaqi Song、Xianliang Wang、Ming Lei、Jie Gao、Jie Wu（机构均未说明） 💡 毒舌点评 本文首次将多教师在线策略蒸馏（MOPD）从纯文本LLM移植到LLM‑based ASR，针对性拆解了声学前缀一致性这一领域特有难题，工程洞察颇为扎实，并在多基准上实证学生模型超越最佳教师oracle的“反直觉”收益。但文章通篇回避代码与权重公开，可复现性几乎为零，评估仅限单一backbone和四种语言，且动态前缀的mismatch分析仍停留在经验层面，始终欠缺机制级理解，更像一份漂亮的内部技术验证而非严谨的科学贡献。 ...

📄 Latent Softmax for Data-Efficient Phoneme-Based Multilingual ASR Across Tonal and Non-Tonal Languages 标签：#语音识别 #多任务学习 #多语言 #音频理解 #Transformer 6.3/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音识别 | #多任务学习 | #多语言 #音频理解 | arxiv 👥 作者与机构 第一作者：Saierdaer Yusuyin（TasiTech实习） 通讯作者：Zhijian Ou（TasiTech） 作者列表：Saierdaer Yusuyin（TasiTech实习）、Nanling Jiang（TasiTech实习）、Hao Huang（未说明）、Zhijian Ou（TasiTech） 💡 毒舌点评 这篇论文在一个具体且实际的问题上提出了一个巧妙的微型建模改进：通过边缘化处理非声调语言的基元音标签来共享声调元音的声学空间。亮点是想法整洁，数学推导清晰（链式法则与Fisher恒等式双视角互相印证），并且确实在S2P音素错误率上带来了相对一致的8%-17%的下降。但作为一篇以“数据高效”和“方法”为核心卖点的顶会投稿，短板同样明显：实验规模过小，仅覆盖中英文两种语言且声调语言只涉及普通话；最核心的消融实验完全缺位：无法区分性能提升究竟来源于层级结构建模，还是仅因不同输出层参数量带来的容量/优化差异。代码和模型均未开源，这在当今的社区标准下已成为硬伤。 ...

📄 Analyzing Speech Condition Effects in Dysarthric ASR: A Layer-wise Probing Study 标签：#语音识别 #参数高效微调 #音频理解 #Transformer #模型评估 5.0/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.7/1.5 | 清晰 0.7/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.5/1.5 📝 5.0/10 | 后50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #LoRA | #参数高效微调 #音频理解 | arxiv 👥 作者与机构 第一作者：Darwin Jelestin Muthu（Singapore Institute of Technology） 通讯作者：未说明 作者列表：Darwin Jelestin Muthu、Navya Gupta、Wei Lin Tay、Zhengchen Zhang、Daniel Wang Zhengkui、Rong Tong（均为 Singapore Institute of Technology） 💡 毒舌点评 这篇论文用一个控制得相当干净的三条件实验框架，从表征分布层面挖掘了构音障碍语音如何扭曲ASR编码器，并以此指导LoRA适配，逻辑链是自洽且有趣的。但硬伤是声量太小，整个分析高度绑死在Whisper-small和单一中文数据集上，核心结论“第7层最优”缺乏跨模型、跨语言、跨病理类型的任何佐证。缺少关键的统计检验，使得单层间微弱的CER差距难以支撑“最优层”的强论断。更致命的是，全文完全闭源，承诺的洞察无法被社区验证或直接复用，审稿人只能被迫相信你画的每一条曲线。 ...

📄 Embodied Empathy: A Multimodal AR and LLM-Powered System for Self-Attachment Psychotherapy with Self-Initiated Humour 标签：#音频交互 #大语言模型 #语音识别 #音频理解 #Transformer 5.4/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.3/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 📝 5.4/10 | 后50% | 文档类型：应用研究 | 评分置信度：高 | #音频交互 | #大语言模型 | #语音识别 #音频理解 | arxiv 👥 作者与机构 第一作者：Xinyan Ye (Imperial College London) 通讯作者：未说明 作者列表：Xinyan Ye (Imperial College London)、Gwyneth Phang (Imperial College London)、Anandha Gopalan (National University of Singapore)、Abbas Edalat (Imperial College London) 💡 毒舌点评 这篇论文的工程雄心值得肯定，将一个心理学疗法从碎片化的VR+网页聊天变为移动端一站式AR体验，技术整合度和完整度不错，用户对TTS的偏好也提供了一个有参考价值的发现。但作为声称要发表在顶会（ICMI，此处目标会议为ICMI Companion，并非主会）的研究，它在实验设计和学科交叉上几乎犯规：八天N=16的非临床研究，只有Likert量表而无任何标准临床指标，情绪识别模型用公开数据集跑出的95%准确率在真实文本中直接导致用户反馈“奇怪和出乎意料”的体验，而核心的“幽默疗法”却没有任何幽默感相关的量化度量，这种“系统写了但疗效全靠用户自己说”的验证逻辑，放到严肃的数字疗法领域会让人产生一种看了个精美demo视频的错觉。 ...

📄 Interpretable MEG Decoding of Perceived Speech: Cortical Sources and the Stimulus Features That Drive Retrieval 标签：#音频检索 #对比学习 #语音识别 #音频理解 #Transformer 7.9/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.9/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频检索 | #对比学习 | #语音识别 #音频理解 | arxiv 👥 作者与机构 第一作者：Ilia Semenkov（HSE University, Moscow; AXXX, Moscow） 通讯作者：Alex Ossadtchi（HSE University, Moscow; AXXX, Moscow） 作者列表：Ilia Semenkov（HSE University; AXXX）、Daria Kleeva（HSE University）、Ivan Dakhtin（HSE University）、Zarina Maksudova（ITMO University, St. Petersburg）、Alex Ossadtchi（HSE University; AXXX） 💡 毒舌点评 这篇论文把神经解码的可解释性推到了一个新高度，用球谐函数和时空因子分解把深度网络的权重直接映射到皮层源，让人眼前一亮。但源定位全压在共享模板上，个体解剖的缺失让“精确到皮层区域”的承诺打了折扣；而且特征遮蔽分析的掩码时长差异巨大，交叉特征比较的说服力被严重削弱。 ...

📄 Normal-Anchored First-Order Model-Agnostic Meta-Learning based Whisper Fine-Tuning for Enhancing Fairness of Cleft Lip and Palate Speech Recognition 标签：#语音识别 #元学习 #低资源 #参数高效微调 #医疗音频 5.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 📝 5.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #元学习 | #低资源 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Susmita Bhattacharjee（印度理工学院古瓦哈提分校 电子与电气工程系） 通讯作者：未说明 作者列表：Susmita Bhattacharjee（印度理工学院古瓦哈提分校 电子与电气工程系）、Jagabandhu Mishra（东芬兰大学 计算机学院）、H.S. Shekhawat（印度理工学院古瓦哈提分校 电子与电气工程系）、Ravi Jasuja（哈佛医学院 布里格姆妇女医院 / Function Promoting Therapies）、S.R. Mahadeva Prasanna（印度理工学院达瓦德分校 电气工程系） 💡 毒舌点评 用正常语音做内环锚点的设计小而巧妙，有效约束了元学习的适应方向，在 CLP 语音这个小众领域里算是扎实的探索。但公平性指标 α/β 从未赋值，整个“公平性得分”名存实亡；且实验完全回避了与 LoRA、Adapter 等主流参数高效微调方法的对比，无法判断 FOMAML 的优势究竟来自元学习还是仅仅来自更合适的正则化。严重度采样策略需为每个数据集单独选择外环组合，通用性存疑。 ...

📄 SoniSpeech: A Large-Scale Open-Vocabulary Tri-Modal Dataset for Wearable Silent Speech Interfaces 标签：#语音识别 #CNN #数据集 #多模态模型 #基准测试 8.3/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 🔥 8.3/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音识别 | #CNN | #数据集 #多模态模型 | arxiv 👥 作者与机构 第一作者：Ruidong Zhang（Cornell University） 通讯作者：未说明 作者列表：Ruidong Zhang（Cornell University）、Jiacheng Liu（Cornell University）、François Guimbretière（Cornell University）、Cheng Zhang（Cornell University） 💡 毒舌点评 这篇论文为可穿戴无声语音接口（SSI）领域带来了期盼已久的"弹药"——首个大规模、开放词汇、三模态数据集，将可穿戴SSI从"几十个词的玩具"推到了"有可能对话"的起跑线上。基线26.3%的WER虽远非可用，但足以证明此路可通。然而，单一说话人、安静环境、无语言模型的设定，让"开放词汇"这块招牌含金量打折——我们看到的更多是"同分布下的模式匹配"而非"真正的词汇泛化"。此外，硬件故障导致的单声道数据混入，给本应干净的基线实验埋了颗不大不小的雷。 ...

📄 Leveraging Beam Search Information for Confidence Estimation in E2E ASR 标签：#语音识别 #端到端 #模型评估 #鲁棒性 #音频理解 6.3/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音识别 | #端到端 | #模型评估 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI） 通讯作者：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI） 作者列表：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI）、Hugo Van hamme（KU Leuven, Department Electrical Engineering ESAT-PSI, Senior Member, IEEE） 💡 毒舌点评 这篇文章用一个几百参数的浅层MLP把beam search里现有的分数和排名重新“炒”了一遍，竟然在MCE上爆杀一众复杂基线。轻量、架构无关的卖点确实讨巧，但创新深度有限，更像是一种精巧的工程特征设计，且开了一个空仓库，审稿人的好感度被打了不少折扣。 ...

📄 ParaASR: Multi-Token Prediction for Fast and Long-Context LLM-Based Speech Recognition 标签：#语音识别 #自回归模型 #高效推理 #长音频处理 #大语言模型 6.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.7/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音识别 | #自回归模型 | #高效推理 #长音频处理 | arxiv 👥 作者与机构 第一作者：Qingjian Lin（StepFun， 上海） 通讯作者：Fei Tian（StepFun， 上海） 作者列表：Qingjian Lin（StepFun）、Yuxin Li（未说明）、Haoyang Zhang（未说明）、Jun Chen（未说明）、Yechang Huang（未说明）、Feng Tian（未说明）、Xie Li（未说明）、Xiangyu Tony Zhang（未说明）、Daijiao Liu（未说明）、Yuxin Zhang（未说明）、Jinglan Gong（未说明）、Bo Zhao（未说明）、Fei Tian（StepFun）、Xuerui Yang（未说明）、Gang Yu（未说明）、Xiangyu Zhang（未说明）、Daxin Jiang（未说明） 💡 毒舌点评 本文将多Token预测（MTP）用于LLM-based ASR，以可验证的并行解码显著降低实时因子，且接受率高达5.0/6，展示了ASR作为确定性转录任务对前瞻性解码的高度适应性。然而，系统未开源任何代码或模型权重，所有对比限于较为有限的LLM-ASR基线和部分公开测试集，无法充分评估其对主流强基线（如Whisper large-v3）的真实优势；训练数据中的大量私有成分也让外部验证几乎不可能。此外，与常规推测解码的性能和效率对比缺失，使得其“MTP是天然加速范式”这一核心立论的证明力度不足。 ...

📄 AgenticASR: Refining Speech Recognition in Real-World Scenarios via an Agentic Approach 标签：#语音识别 #大语言模型 #基准测试 #音频理解 #Transformer 6.8/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.8/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #语音识别 | #大语言模型 | #基准测试 #音频理解 | arxiv 👥 作者与机构 第一作者：Zixuan Jiang（论文中未说明具体机构，仅署名标注1,2,3） 通讯作者：Xie Chen（论文中未列出机构，但从上下文推断为上海交通大学） 作者列表：Zixuan Jiang、Binghao Qiang、Jiaying Chi、Yanqiao Zhu、Kai Yu、Xie Chen（论文未提供任何机构全称，仅以数字上标区分署名） 💡 毒舌点评 这篇论文把口语转书面语包装成一个新任务AgenticSR，并搭了一套从数据合成到在线修订的完整系统，实用野心一目了然。AgenticASR的滑动窗口修订机制确实让流式场景下的后编辑成为可能，比传统“等话说完再清洁”的思路更接地气。但问题在于，任务定义把所有后处理操作一锅烩，四个评测维度看似精细，实则把需要不同容错策略的场景用同一把尺子量，未免粗暴。AASR-Bench的合成语音占比超八成，真实录音的泛化性几乎无凭据，而Refiner对上游ASR的强依赖让整个系统在噪声场景下像纸牌屋——ASR一塌，后段再洗也白搭。此外，在线延迟虽然控制得不错，但论文始终回避端到端全链路延迟分析，实际部署时的体感延迟可能远高于报告的12秒。 ...