语音识别

📄 The DeepSpeak-Agentic Dataset #语音合成 #语音识别 #多模态模型 8.7/10 | 创新 1.6/2 | 严谨 1/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.7/10 | 前50% | #语音合成 | #语音识别 | #多模态模型 | arxiv 👥 作者与机构 Sarah Barrington (University of California, Berkeley), Maty Bohacek (Stanford University), Hany Farid (University of California, Berkeley). *表示共同第一作者。 💡 毒舌点评 这篇论文做了一件重要且及时的事：为快速兴起的实时交互式AI代理建立一个大规模、多模态的数据集。数据集本身（37小时视听对话）和为构建它而设计的自动化系统是主要贡献。然而，审稿人必须指出几个显著的短板。首先，论文的核心技术挑战——代理的响应延迟（平均3.79秒）——只是被报告了，却没有进行任何优化尝试或深入分析其对交互质量和检测的影响，这使其“基准”意义打折扣。其次，实验评估部分虽全面，但对数据集特性的挖掘不够深入。例如，论文提到了人类判断的线索，但未深入分析不同线索（如视觉、听觉、对话模式）在不同代理配置或场景下的出现频率差异。再者，论文自称解决了“实时交互”的记录问题，但方法概述部分对系统架构的描述过于简略，缺乏关键组件（如会话同步、错误处理、延迟补偿）的细节，使得“可扩展自动化系统”的 claim 缺乏足够的技术支撑。最后，关于隐私、伦理的讨论仅停留在“IRB批准”和“内容审核”层面，对于公开发布包含人脸、声音的对话数据可能引发的长期风险（如声音克隆、行为模仿）的深入探讨缺失。总体而言，这是一个好的资源论文，但在技术深度和反思性上仍有不足。 📌 核心摘要 本文介绍了DeepSpeak-Agentic数据集，这是一个包含200个、超过37小时实时交互式人机对话的视听数据集，旨在为研究快速发展的具身AI代理提供一个基准。作者构建了一个可扩展的自动化数据采集系统，该系统能随机组合不同的LLM（如Llama-4, GPT-4o）、合成语音（ElevenLabs等）和视觉形象（Tavus, HeyGen）来创建AI代理，并与通过Prolific招募的人类参与者进行随机配对对话。对话内容涵盖四种场景。基于该数据集的分析表明：1）人类能快速识别AI代理（80.5%在10秒内），主要线索是不自然的动作和声音；2）现有取证检测器表现不佳，最佳音频和视频检测器的等错误率（EER）分别高达23%和33%，仅文本检测器（Desklib）表现良好（EER 8%）。该数据集公开发布，可用于多模态取证评估、人机交互研究以及未来AI代理的基准测试。 ...

📄 Beyond the Mouth: Upper-Face Affective Cues in Audiovisual Sentence Recognition under Acoustic Uncertainty #多模态模型 #语音识别 #鲁棒性 5.5/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0.1/1.5 | 复现 0.5/0.5 | 工程 0.4/1.5 📝 5.5/10 | 前50% | #语音识别 | #多模态模型 | #鲁棒性 | arxiv 👥 作者与机构 Zhou Yang: Faculty of Education and Psychology, University of Oulu, Finland Yueyi Yang: Center for Machine Vision and Signal Analysis, University of Oulu, Finland ...

📄 Echo: A Joint-Embedding Predictive Architecture for Speaker Diarization and Speech Recognition in a Shared Latent Space #语音识别 #语音分离 #说话人验证 #自监督学习 #数据增强 7/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.3/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 7/10 | 前50% | #语音识别 | #自监督学习 | #语音分离 #说话人验证 | arxiv 👥 作者与机构 作者：Louis Mouchon 机构：Independent Research（独立研究） 💡 毒舌点评 这篇论文就像一份极其详尽、充满工程细节的“施工日志”，而不是一篇旨在解决核心科学问题的顶级会议论文。作者用七个阶段的篇幅，耐心地记录了一个25M参数的“瑞士军刀”音频编码器是如何被一步步组装起来的，中间还详细记录了几次把锤子敲到手上的经历（对抗训练崩溃、多锚点过约束等）。永久JEPA锚定机制和VQ特征解耦确实是实用的工程技巧，值得记下。但问题在于，这把“瑞士军刀”目前最锋利的刀刃（语音识别）基本是钝的（CER 70%），而用来切硬木（真实会议音频）的场景却几乎没有测试，只在实验室的软胶垫（合成数据）上挥舞了几下。更尴尬的是，当其他“专用工具”（如EEND-EDA）在同样任务上精度高出一个数量级时，作者却摆摆手说“我们不是一个赛道的，不能直接比”。所以，这是一份优秀的内部技术报告，但若要登上NeurIPS/ICML的舞台，仅凭“我们证明了这几个东西可以塞进一个盒子里”这个点，说服力还远远不够。它更像是一篇给同行看的“避坑指南”和“设计蓝图”，期待下一代人用更大、更好的材料（更大的骨干网络）把它建成真正的房子。 📌 核心摘要 本文提出Echo，一个概念验证系统，旨在证明一个基于JEPA自监督预训练的单一ViT音频编码器，能够通过增量特化，在同一个共享潜在空间中同时支持说话人分割、语音分离和语音内容编码。核心设计包括七个顺序训练阶段，关键技术创新是“永久JEPA锚定机制”（每个更新编码器的阶段保留冻结副本作为正则化）和使用VQ瓶颈进行说话人/内容特征解耦。系统在合成VoxCeleb2混合数据上取得了15.00%的盲DER和97.80%的PIT分离准确率。论文的主要价值在于详细记录了多任务共享编码器的架构探索过程、成功的设计决策（如锚定、VQ解耦、空目标路由）和失败的教训（如对抗训练、多锚点），并明确了当前的主要局限性：所有结果基于合成数据，且端到端ASR性能因VQ量化瓶颈而失败（CER ~70%）。 ...

📄 MOSS-Audio Technical Report #语音识别 #音乐理解 #多模态模型 #预训练 9.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.4/1.5 🔥 9.2/10 | 前25% | #语音识别 | #预训练 | #音乐理解 #多模态模型 | arxiv 👥 作者与机构 核心贡献者：Chen Yang, Chufan Yu, Hanfu Chen, Jie Zhu, Jingqi Chen, Ke Chen, Wenxuan Wang, Yang Wang, Yaozhou Jiang, Yi Jiang, Zhengyuan Lin, Ziqi Chen, Zhaoye Fei 贡献者：Chenghao Liu, Jun Zhan, Kang Yu, Kexin Huang, Mingshu Chen, Qinyuan Cheng, Ruixiao Li, Shimin Li, Songlin Wang, Yang Gao, Yiyang Zhang 顾问：Xipeng Qiu§ 单位：上海创新研究院 (Shanghai Innovation Institute)、MOSI Intelligence、复旦大学 (Fudan University) ...

📄 MURMUR: An Efficient Inference System for Long-Form ASR #语音识别 8.3/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.3/10 | 前50% | #语音识别 | #语音识别 | arxiv 👥 作者与机构 Wei-Tzu Lee, Keisuke Kamahori, Baris Kasikci University of Washington (华盛顿大学) 💡 毒舌点评 这篇论文的问题意识很好，瞄准了长语音识别中精度与延迟的核心矛盾。作者通过将“分块大小”这一常被忽视的超参数显性化，并利用注意力稀疏性进行KV缓存优化，提供了实用的系统级解决方案。然而，其贡献的深度和普适性值得商榷：1) 核心优化严重依赖一个特定的、目前尚不普及的模型（VibeVoice-ASR），这使得结论的“系统性”大打折扣；2) 所谓的“创新”更多是工程上的巧妙组合（分块+StreamingLLM式驱逐），而非算法层面的根本突破；3) 实验仅在英语上进行，对语言普遍性的声明过于保守。审稿人承认其工程价值，但对其作为“研究贡献”的显著性表示怀疑。 📌 核心摘要 本文提出了Murmur，一个针对长上下文ASR模型的推理优化系统。系统在两个层面工作：在chunk层面，将chunk大小作为可调超参数，通过实证分析发现300秒是一个平衡精度和延迟的中间点；在chunk内部，利用语音token注意力的稀疏性（少于25%的语音token在超过85%的层中贡献了99%的注意力权重），设计了基于滑动窗口的KV缓存驱逐策略，分别对输出token和语音token进行驱逐。在AMI-IHM数据集上，Murmur在匹配单次推理精度的同时，将延迟降低了4.2倍，其中语音token驱逐策略贡献了主要的加速（4.2倍），而精度退化小于1%的相对tcpWER。 🔗 开源详情 代码：https://github.com/uw-syfi/Murmur (Murmur实现，Apache 2.0许可证) 模型权重：论文中未提供 VibeVoice-ASR 模型的具体权重下载链接（如HuggingFace Hub）。VibeVoice-ASR本身是一个开源模型（MIT许可证），但需要用户自行查找其官方发布地址。 数据集： AMI Meeting Corpus：CC BY 4.0。论文未提供直接下载链接。 TED-LIUM 3：CC BY-NC-ND 3.0。论文未提供直接下载链接。 Earnings21：CC BY-SA 4.0。论文��提供直接下载链接。 Demo：论文中未提及。 复现材料：附录提供了关键配置、消融实验数据、归一化步骤，是重要的复现信息。但未提供预训练检查点或完整的配置文件。 论文中引用的其他开源项目：WhisperX (提供了GitHub链接), vLLM (提供了GitHub链接), pyannote.audio, StreamingLLM, faster-whisper等，均未在论文正文中提供其具体的GitHub或项目主页链接（尽管部分项目广为人知）。 🏗️ 方法概述和架构 Murmur系统处理长语音音频的流程分为三个阶段：分块并行推理、chunk内KV缓存驱逐、输出拼接与跨chunk对齐。 ...

📄 PolySpeech-100: A Large-Scale Benchmark for Speech Understanding Across 100+ Languages and Dialects #多语言 #低资源 #语音识别 #语音合成 8.8/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.3/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 8.8/10 | 前50% | #语音识别 | #多语言 | #低资源 #语音合成 | arxiv 👥 作者与机构 论文作者为 Sicheng Yang, Shulan Ruan, Shiwei Wu, Yu Liu, Lu Fan, Zhi Li, You He。主要机构包括清华大学深圳国际研究生院、清华大学电子工程系以及京东AI研究。 ...

📄 SN-WER: Script-Normalized WER for Multi-Script Indic ASR Evaluation #语音识别 #多语言 #语音合成 #预训练 5.3/10 | 创新 0.5/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0/1.5 📝 5.3/10 | 前50% | #语音识别 | #预训练 | #多语言 #语音合成 | arxiv 👥 作者与机构 作者：Priyaranjan Pattnayak 单位：Oracle America Inc. 联系邮箱：priyaranjanpattnayak@gmail.com 领域：cs.CL (计算语言学) 💡 毒舌点评 这是一篇典型的“解决问题比方法创新更重要”的论文。核心思想——计算WER前先统一脚本——在业界实践中早已是常识，作者自己也承认不是新概念。论文的贡献主要在于系统性地量化了印度语言ASR中脚本不匹配效应，并为一个实用的评估补充指标提供了详尽的实证依据。它就像一个精心制作的工具说明书，虽然工具本身（标准化后再计算）不复杂，但说明书（实验设计和验证）非常扎实。对于顶会来说，缺乏方法论的突破或理论深度是一个明显短板。不过，其清晰的定位（伴侣指标）和严谨的验证过程，使其在特定应用场景（多语言ASR评估）中仍有一定价值。 📌 核心摘要 本文针对多语言ASR评估中，假设文本为罗马化而参考文本为原生脚本时传统WER被高估的问题，提出了Script-Normalized WER (SN-WER)。这是一个仅用于评估的伴侣指标，其核心是在计算WER前，使用确定性转写器将参考和假设文本都转换为该语言的规范脚本（通常为原生脚本）。通过在5种印度语言、2个数据集和3个ASR模型上的系统评估，论文证明：1）SN-WER能在干净数据集（FLEURS）上显著缩小因脚本不匹配造成的模型评估差距（最高达12%）；2）在噪声数据集（Common Voice）上，SN-WER效果较小，能更好地暴露真实的识别缺陷；3）SN-WER对真正的识别错误保持与WER几乎相同的敏感性；4）方法对转写器选择和规范化选项鲁棒。作者强调SN-WER应作为WER/CER的补充报告，而非替代品，特别适用于脚本选择与下游任务无关的场景（如搜索、索引）。 🔗 开源详情 代码：论文中未提及提供SN-WER的实现代码或评估脚本。 模型权重：论文中使用的ASR模型（Whisper-large-v3, Whisper-small, MMS）均为公开模型，可通过HuggingFace Hub等平台获取，但论文本身未提供直接链接或特定版本。 数据集： FLEURS: https://huggingface.co/datasets/google/fleurs Common Voice v17: https://commonvoice.mozilla.org/en/datasets 论文明确使用了这些数据集。 Demo：未提及。 复现材料：未提供训练配置、检查点、附录等详细复现材料。论文重点在于提出评估方法（SN-WER），并提供了完整的评估框架描述（转写工具、归一化步骤）和结果分析表格，为自行实现提供了蓝图。 论文中引用的开源项目： Whisper (OpenAI)：https://github.com/openai/whisper Massively Multilingual Speech (MMS, Meta AI)：https://github.com/facebookresearch/fairseq/tree/main/examples/mms ICU (International Components for Unicode)：https://icu.unicode.org/ FLEURS 数据集：https://huggingface.co/datasets/google/fleurs Common Voice 数据集：https://commonvoice.mozilla.org/en/datasets IAST-style和ITRANS-style转写方案的具体实现通常集成在ICU或如indic-transliteration等开源库中，但论文未提供特定库链接。 🏗️ 方法概述和架构 SN-WER是一个评估流水线，旨在量化多语言ASR评估中由脚本不匹配导致的WER失真。其核心架构可拆分为以下几个关键组件： ...

📄 Spiking and Event-driven Neuromorphic Mamba Models for Efficient Speech Recognition #语音识别 #模型压缩 7.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.7/1.5 ✅ 7.5/10 | 前50% | #语音识别 | #模型压缩 | arxiv 👥 作者与机构 Tauseef Ahmed (单位1, 2, 3)，Tao Sun (单位1)，Jeronimo Castrillon (单位3, 4)，Kanishkan Vadivel (单位2)，Guangzhi Tang (单位1)。论文中未具体说明单位1、2、3、4对应的具体机构名称。 基金支持：NGF.1609.243.044 (AiNed XS Europe), 01IS18026A-D (ScaDS.AI), 101226463 (MSCA Doctoral Network REACT)。 ...

📄 Sympatheia: Emotionally Adaptive Voice Assistant with Continuous Affect Conditioning #参数高效微调 #语音合成 #语音识别 9.6/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 9.6/10 | 前25% | #语音合成 | #参数高效微调 | #语音识别 | arxiv 👥 作者与机构 Sukru Samet Dindar, Riki Shimizu, Xilin Jiang, Nima Mesgarani。单位：Columbia University。未在论文中注明具体会议或期刊，仅为arXiv预印本。 💡 毒舌点评 论文提出的框架在理念上清晰且有实际意义，试图解决语音助手缺乏情感适应性的痛点。其模块化接口的设计思路值得肯定，为整合多模态情感信号提供了灵活方案。然而，论文的“主要贡献”中，声称构建了“首个”用于情感条件语音对话的合成数据集，这一说法可能需要更严谨的文献调研来支撑，因为近期类似工作（如BLSP-Emo的配套数据构建）已在该方向上有所探索。此外，所有实验均基于合成数据构建、合成数据训练、合成语音评估的闭环，虽然论文提供了真实语音的评估，但核心结论的普适性仍需在更复杂、更真实的交互场景中得到验证。方法部分对连续VA控制信号的“连续性”优势有所强调，但消融实验仅展示了对锚点加噪的鲁棒性，未能充分展示在连续空间内插值或外推时的生成行为变化，对于“连续”这一核心主张的验证略显不足。 📌 核心摘要 本文提出了Sympatheia，一个情感自适应语音对话框架，旨在解决日常对话中情感线索微弱或模糊的挑战。该框架结合了从用户语音中隐式推断情感，以及通过连续效价-唤醒度（VA）控制信号进行显式情感调节的能力。VA信号可来自外部多模态感知模块（如面部表情、生物信号、文本描述）或用户界面。为训练模型，作者构建并开源了Sympatheia-18k数据集，包含约18,000个情感条件合成语音对话对，分为情感子集（约12k样本）和中性子集（500个中性查询各对应12种情感响应）。模型基于GLM-4-Voice-9B，通过LoRA进行微调。实验表明，Sympatheia在情感适配度、情感MOS及韵律控制等方面优于多个强语音对话基线。论文还证明了其模块化接口能有效集成多种外部情感感知模块的输出，提升在用户语音情感模糊时的响应对齐度。 🔗 开源详情 代码：https://github.com/susameddin/sympatheia （Apache 2.0） 模型权重：https://huggingface.co/susameddin/Sympatheia （Apache 2.0，与GLM-4-Voice基础模型许可绑定） 数据集：Sympatheia-18k， https://huggingface.co/datasets/susameddin/Sympatheia-18k （CC BY 4.0） Demo：https://susameddin.github.io/sympatheia/ 复现材料：论文提供了极其详细的复现信息，包括： 训练配置：LoRA参数（rank 32, \(\alpha\)=32, dropout 0.1），优化器（AdamW, \(\beta_1\)=0.9, \(\beta_2\)=0.999），学习率（\(10^{-4}\)），批大小（16），训练轮次（5 epochs），检查点选择（基于验证损失和人工检查，步数2800）。 数据集创建细节：提供了用于生成查询和响应的完整提示模板（表5，表6，表7），以及情感风格控制策略。 VA锚点坐标：表4列出了12个情感锚点的具体VA坐标。 评估协议：提供了LLM评判官的提示模板（表8，表9）和人类评估的详细方案。 计算资源：描述了训练和评估所用的GPU类型及时间估计。 论文中引用的开源项目： 基础模型：GLM-4-Voice-9B, Qwen3-32B-Instruct, Qwen3-TTS, Qwen3-Omni, Qwen2.5-Omni, Kimi-Audio 评估基线与数据集：VoiceBench CommonEval, AffectNet+, SEED-VII, YAAD, ISEAR 工具模型：HSEmotion, Emotion English DistilRoBERTa-base, all-MiniLM-L6-v2, UTMOS, BERTScore, ROUGE-L, LoRA (PEFT), DeepSpeed ZeRO 许可证与使用条款：论文明确列出了所有外部资产（表20）的许可证或访问条款，并声明仅用于研究目的。 🏗️ 方法概述和架构 Sympatheia框架是一个端到端的语音到语音对话系统，其核心目标是生成语义合适且情感对齐的语音响应。系统由两大部分组成：(1) Sympatheia核心语音对话模型；(2) 可插拔的上游情感感知模块。二者通过一个简洁的连续效价-唤醒度（VA）接口解耦。 ...

📄 WAXAL-NET: Finetuned Edge ASR Across 19 African Languages #语音识别 #低资源 #参数高效微调 8/10 | 创新 2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.5/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 0/1.5 🔥 8/10 | 前25% | #语音识别 | #参数高效微调 | #低资源 | arxiv 👥 作者与机构 Victor Tolulope Olufemi1,2, Oreoluwa Babatunde2, Ramsey Njema1, Bolarinwa Gbotemi2, Wanchi Lucia Yen1, John Uzodinma1, Sunday Ajayi1, Oluwademilade Williams2, Kausar Moshood2, Innocent Elendu Anyaele1, Akebert Arefaine1, Candace Hunzwi1, Wongel Dawit Daniel1, Emmilly Namuganga1, Cleophas Kadima1, Athanase Bahizire1, Onitsiky Ranaivoson1, Emmanuel Aaron1, Nicholaus Ladislaus1, Idris Muhammed1, Jonathan Enoch Simenya1, Martin Koome1, Matewos Tegete Endaylalu1, Peter Ifeoluwa Adeyemo1, Hondi Prisca Birindwa1, Ukachi Agnes Eze-Mbey1, Yacoba Oduro-Yeboah1, Pericles Adjovi1, Mikel K. Ngueajio1, Toluwani Aremu3, Prasenjit Mitra1。 1CMU Africa, 2LyngualLabs, 3MBZUAI。 ...