语音识别

本文把字错率变化拆成修好、破坏和插入三部分，对比有无音频的纠错，发现有音频主要减少破坏，修好是增是减取决于改的是自己的草稿还是独立识别器的输出，而医疗口述中插入词会抵消总字错率上的好处。

共分析 58 篇语音/AI 论文

本文系统梳理 1451 篇论文中母语资源如何支撑语码混合处理、混合数据又如何反哺母语建模，并用 SEAME 等证据说明数据匹配往往比新结构更关键。

论文针对语音大模型同时做识别、时间戳和翻译时固定权重无法实现部署偏好的问题，提出用专家锚点距离份额做闭环校准的 EA-SURF，并在六组三目标请求上把偏好校准误差降低约六成、端点包含的归一化超体积提高 17.8%，代价是平均词错误率小幅上升 0.16 个百分点。

论文把语音识别语义评测变成按段判断后果的任务，用对齐切段加结构化评分准则区分要紧与不要紧的错误，并用三层错误率和无参考纠错验证了它与人工更一致且能指导修复。

针对提示式上下文识别装不下大热词表的问题，VISH 直接在帧级 CTC 后验上做受限维特比搜索来打分排序，M-VISH 用共享前缀与剪枝把大表验算变快，Bi-MVISH 再加反向证据补强弱首音，在五组评测上提升预选 Best-F1 并在 2000 词时大幅降低候选搜索耗时。

共分析 34 篇语音/AI 论文

针对缺少可比语音导致的偏置评估困难，论文为 Bemba 和 Nyanja 构建内容可比的性别与说话人类型评估集，并用微调后的 MMS 与 SSA-HuBERT 模型验证其可检出母语与非母语及性别间的识别差异。

围绕一位只有约 22 分钟数据的意大利病理嗓音说话人，论文比较四种 Whisper 容量与三种 LoRA 放置，发现两侧注意力同时适配最稳定且时间精度权衡最好，但增益随录音时长而变化。

长音频会产生过密的音频令牌并推高解码代价，AudioScorer 用问题感知的打分器学习每个令牌的保留优先级并做 Top-K 剪枝，在 10% 保留率下保住了语音内容任务，额外打分开销约占预填充计算的 0.4 到 0.9%。

论文针对警用电台录音里现成语音识别系统性漏掉关键术语的问题，用少量人工转写去修正大量机器转写得到的关键词平均频次，在巴尔的摩警务关键词上把区间有效的比例从只用人工的 27.2% 和只用机器的 43.0% 提高到 56.2%，但仍有近半数关键词无法给出有效区间。

该文把冻结的 wav2vec 2.0 编码器用情绪与 ASR 两个任务向量按层加权调整，只训练每层两个系数和一个线性头，在 ADReSS 与 ADReSSo 上提升了二分类效果，并在 PROCESS 三分类上与 LoRA 结合取得最好宏观 F1，代价是三分类本身仍困难且波动大。

Monsoon 针对部署时面对的自发对话语音缺数据问题，用配对话题引导采集加自动过滤加五级人工校对加覆盖度选段的流程，在七个语言各约 3500 小时上证明同量下质量阶段带来 10-39% 相对误差下降和在独立自发测试上 20-44 点的语义词错率差距，且误差随数据量仍在下降。

本文把 ASR 幻觉定义为对齐后多出的编造词，用因果敲除和注意力分析定位到偏向文本的多头自注意力，再用 CTC 对齐门控加交叉注意力在 LibriSpeech 上把幻觉率从 52.01% 降到 8.69%，代价是替换率略升且大模型下幻觉反而加重。

针对大模型语音识别把未登录词听成常见同音词的问题，PronCFT 用固定的候选发音序列做监督，训练模型先转写发音再匹配候选拼写，在合并的未登录词测试上把召回从 59.89% 提高到 83.57%，而通用词错误率基本不变。

论文针对干净录音训练的阿姆哈拉语识别在真实电信语音上失效的问题，用同一批录音加可控退化构造多条件基准，测出最强基线在窄带加丢包下词错误率从 0.23 升到 0.79，并证明扩大数据加电信感知增强能把极端噪声下错误相对降低 23.6%。

共分析 57 篇语音/AI 论文

论文把音频到解码器的接口限定为冻结文本词嵌入的凸组合，用 C-Gate 路由实现，并在 VoiceBench 十一任务平均 75.36 分的语音知识推理优势与转写和非语音理解上存在取舍的条件下验证其可行性。

针对流式语音识别中 RNN-T 训练要保存巨大联合隐状态和词表 logits 的问题，该文用分块打包加专用核与检查点重算完整求和，在中长语音上同时给出高吞吐的不分块版本和低显存的分块版本，但结论只在给定的三批数据、模型配置和联合加损失测量范围内成立。

共分析 25 篇语音/AI 论文