语音识别

SEA-LM 针对可穿戴麦克风阵列的自我中心多声源场景，用 FOACoder 把可变阵列信号统一为一阶 Ambisonics 空间嵌入再与单声道语义嵌入联合输入大语言模型，在合成评测集上降低了方位角与俯仰角误差并改善了转写与检测，但结论只在仿真静态场景和 1211 种眼镜阵列配置内成立。

论文用同一批音频配不同指令求平均激活之差得到任务向量，推理时加回残差流，在少量标注下改善转录、情感与描述并降低换提示词的波动，但非拉丁文字与无提示续写仍需额外约束。

针对印地语带时间戳转写问题，论文在 Whisper 编码器输出上加一个字符级线性 CTC 头做强制对齐，时间戳精度与依赖外部模型的 WhisperX 相当，并用 CTC 输出长度约束缓解短语音幻觉，但结论只在原文四个测试集和人工标注条件下成立。

该文用探针偏差诊断和同噪声对照证明互相关对角项在独立噪声下抑制噪声方差，而自相关项只重排特征空间以提升干净下游任务准确率，但音乐中依赖音高音色的任务仍会受损。

论文研究端到端语音依存句法分析中连接语音编码器与句法分析器的三段中间神经网络是否必要，提出去掉它们的简化结构，在法语、斯洛文尼亚语和奈贾语上达到相当或更好的分析准确率并减少约 12% 参数，代价和结论都只在联合微调与冻结编码器等明确条件下成立。

针对黎凡特阿拉伯语内部差异大、正字法不标口音的问题，SHAMS 用 1300 条带音频的四层对齐语料同时测加符、字音转换、语音识别和音频到音素，并报告方言适配系统与大模型在各变体上的差距与代价。

针对手机上音频已预填而完整回答仍需逐词生成的按需理解任务，As2d 让音频条件起草者脱离目标已验证前缀独立推进并由目标验证纠正，在四机七数据集上把合并语音识别吞吐相对纯目标解码提高 42 到 76%，代价是候选供给不足时仍需目标单步推进且增益依赖覆盖率与到达时机。

针对一分钟语音变成 750-1500 个音频 token 且语言模型浅层仍高度关注音频的问题，用编码器输出的闭式线性映射预测全层注意力排序并在模型前剪枝，转录用分箱覆盖、选择题再在第 2 层做精度融合校正，保守预算下与全音频差距控制在小范围内，激进预算下全面领先可运行基线，代价是线性先验在两类 Qwen-Audio 模型上失效且需用漂移筛查区分。

针对领域实体与罕见专有名词难识别的问题，BaLEEN 用冻结语言模型加 Perceiver 瓶颈生成可预计算的层偏置注入冻结 CTC 编码器，在合成维基测试集上关键词漏识相对下降 8.7% 且词错误率相对下降 21%，代价是依赖合成语音与固定上下文预计算条件。

该研究在 85.37 小时的五种伊比利亚语言加德语土耳其语对照上，用宏平均词错误率与实时因子比较十个开权重模型和一个商业 API，发现商用与受限模型领先、可商用开权重中 omniASR 系列与 Whisper 领先，而巴斯克语低覆盖与男性优势的性别差异构成主要代价。

针对近场榜单掩盖远场失效的问题，论文用新录消声语音与混合波形几何声学房间脉冲响应构造九条件不公开音频评测，报告平均词错率从近场 4.4% 升至静态低信噪比 41.3%、走动在匹配信噪比下增加约 1.3 至 2.7 个百分点、实测与仿真办公室误差平均约 1.7 个百分点，代价是单通道朗读英语与单点实测锚定限制了推广范围。

论文研究语音自监督是否必须构造精细预测目标，提出直接预测当前编码器连续表示并只用高斯正则防塌缩的 GLaS-JEPA，在 960 小时 LibriSpeech 上以 57M 参数取得冻结编码器 SUPERB 语音识别 6.89% 词错误率和槽填充 25.87% 概念错误率，但情绪识别等副语言任务仍落后且大模型扩展尚未验证。

论文在 SLAM-ASR 管线上做音频编码器自顶向下剪枝并在每层重训投影器，发现 Whisper Large 剪 2 层时聚合词错率从 21.6% 降到 21.1% 却让 Black 组上升 0.9 个百分点，到剪 8 层时 Black 与 Asian 差距从 13.5 扩大到 24.5 个百分点，而 LoRA 虽降低各组误差却让优势组获益更多。

针对注意力模型整句依赖未来音频而难以流式化的问题，论文用年龄版本编码把每块未来视野锁定为常数块，再用逐词触发器只推迟不确定的词，在完整测试集上以 6.5% 词错率达到 306 毫秒中位延迟，代价是无预算时尾延迟高于静态基线且训练与重编码开销增加。

论文把语音评测不可比归因于执行方差与打分方差，用工具智能体完成异构上线、主智能体提交协议、确定性程序执行打分，在 18 个公开版本上把一次通过从 12 个提高到 18 个，但统一协议与论文报告仍存在随模型与语言变化的差异。

针对语音指令经转写后关键实体易被改写而词错率无法反映任务成败的问题，Talk2Agent 用 31.82 小时真人语音与固定下游智能体隔离评测语音接口，并以投影到提示可寻址意图的 Native 与 Shapley 免执行指标逼近真实执行，其代价是长提示口语化改写与工作区偏置仍不稳定。

针对对齐感知草稿在加长草稿 horizon 后接受长度饱和的问题，论文用递推的声学进度状态给音频交叉注意力加高斯偏置并做变长联合训练，在五个 ASR 测试集上以无损方式报告了 0.6B 目标 1.657×与 1.7B 目标 1.227×的宏平均端到端加速，代价是引入进度预测器与强制对齐监督。

针对广播语料高估方言识别能力的问题，Almieyar 按社区选图与五场景诱发新录 13.7 小时语音并零样本评测 12 个系统，总体最优仍有三成以上词错误率，且语系内部分化与字词指标背离说明必须多指标多社区评估。

CARDAMOM 用约 40 小时转写的 YouTube 自然语音覆盖 6 国 21 种微方言，最强零样本系统总体词错率为 43.47%，在训练集上适配后降至 35.21%，而 21 分类微方言辨识达到 85.57%。

CoSE-E 针对 HR 与 IT 服务台的 1212 条五语对混语语音，用转写字面错、语义错与下游问答错三层评价发现混语多加的是表层错而能翻转任务答案的错集中在关键实体损坏，且数据集当前已公开。