语音识别

📄 Does EEG Foundation Models Transfer to Speech? A Benchmark on Overt and Imagined Speech Decoding 标签：#语音识别 #迁移学习 #基准测试 #模型比较 #音频理解 6.5/10 | 创新 1.2/2 | 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 ✅ 6.5/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #语音识别 | #迁移学习 | #基准测试 #模型比较 | arxiv 👥 作者与机构 第一作者：Owais Mujtaba Khanday（格拉纳达大学信号理论、通信与电信系、CITIC-UGR） 通讯作者：Jose A. Gonzalez-Lopez（格拉纳达大学信号理论系、CIMCYC） 作者列表：Owais Mujtaba Khanday（格拉纳达大学信号理论、通信与电信系、CITIC-UGR）、Mohamed Baha Ben Ticha（格拉纳达大学信号理论系、CIMCYC & Chouaib Doukkali 大学信息科技实验室）、Sanae Belfrouh（Chouaib Doukkali 大学信息科技实验室）、Marc Ouellet（格拉纳达大学 CIMCYC）、Jose A. Gonzalez-Lopez（格拉纳达大学信号理论系、CIMCYC） 💡 毒舌点评 这篇论文首次以严格对照的方式回答了 EEG 基础模型能否迁移到语音解码这一关键问题，给出了清晰的否定结论，实验设计扎实，泄漏控制到位。然而，结论本身更像是一份“打脸”报告而非建设性方案，对为何不迁移的深层机理（如预训练数据分布、语音特异性神经动力学）缺乏分析和假说验证；零开源让他人既无法验证也难以在其基础上继续推进，使得这项工作止步于一次昂贵的负面报告。 ...

📄 Enhancing Law-Enforcement Audio Transcription: A LoRA-Based Adaptation of Whisper for BWC Footage 标签：#语音识别 #参数高效微调 #音频理解 #Transformer #模型评估 4.8/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 0.5/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.8/1.5 📝 4.8/10 | 后50% | 文档类型：应用研究 | 评分置信度：低 | #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：Vivek Senthil（Rochester Institute of Technology） 通讯作者：未说明 作者列表：Vivek Senthil、Zhiqiang Tao、Ernest Fokoué（均来自 Rochester Institute of Technology） 💡 毒舌点评 仅凭 53 段音频、6 句测试样本和一套缺失核心配方的训练流程，就宣称“为执法转录奠定新范式”——这个证据强度连原型验证都算不上。LoRA 在噪声域中的反直觉低秩最优性是个值得深挖的现象，但当前工作充其量只是一次有趣的课程项目，距离顶会标准还差一个完整实验周期。 ...

📄 Dissecting Sensitivity to Training Language in Self-Supervised Speech Learning Using Neural Audio Codec Tokens 标签：#语音识别 #自监督学习 #语音情感识别 #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 | #自监督学习 | #语音情感识别 #音频理解 | arxiv 👥 作者与机构 第一作者：Daigo Takizawa（日本产业技术综合研究所 AIST） 通讯作者：未明确标注 作者列表：Daigo Takizawa（日本产业技术综合研究所 AIST）、Tomohiko Nakamura（日本产业技术综合研究所 AIST）、Samuele Cornell（卡内基梅隆大学 CMU）、William Chen（卡内基梅隆大学 CMU）、Satoru Fukayama（日本产业技术综合研究所 AIST）、Shinji Watanabe（卡内基梅隆大学 CMU） 💡 毒舌点评 这篇论文做了一件看似精准的事情：在 codec-based SSL 这个新兴方向上，第一次用控制变量实验把 NAC 训练语言和 SSL 预训练语言的影响剥离开。实验设计干净，结论也明确——NAC 训练语言不重要，SSL 预训练语言才关键。但读完三遍后只有一个感觉：这项"系统分析"的几乎所有结论，领域内稍有经验的研究者凭直觉就能猜到。三语种 × 单架构 × 单规模，离"系统"二字还差着好几组跨架构实验和规模缩放曲线。更致命的是，RQ2 和 RQ3 之间切换了伪标签生成方式（MFCC 聚类 vs. HuBERT 深层特征聚类），等于在"预训练语言"这个变量上又叠了一层"伪标签质量"的混淆，作者自己提了一嘴却没做消融——审稿人最讨厌这种"我知道有问题但就这样吧"的处理。工程价值方面，确实为"单一 NAC 走天下"提供了实证支撑，但整篇论文没放一行代码、没给一个权重，连日语数据都是内部的，何谈实践？ ...

📄 Voice Memory for Agentic Speech Recognition 标签：#语音识别 #测试时自适应 #大语言模型 #鲁棒性 #音频理解 8.2/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #语音识别 | #测试时自适应 | #大语言模型 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Chao-Han Huck Yang（NVIDIA） 通讯作者：Chao-Han Huck Yang（NVIDIA），Zih-Ching Chen（NVIDIA），Piotr Żelasko（NVIDIA），Zhehuai Chen（NVIDIA） 作者列表：Chao-Han Huck Yang（NVIDIA）、Zih-Ching Chen（NVIDIA）、Piotr Żelasko（NVIDIA）、Zhehuai Chen（NVIDIA）、Jagadeesh Balam（NVIDIA）、Boris Ginsburg（NVIDIA） 💡 毒舌点评 这篇论文用一个小于10KB的可编辑文本文件，教会了冻结的428B大模型在语音识别后处理中学会“闭嘴”。方法本质上是围绕“过纠错”这一痛点，通过离线验证-门控循环将抑制性策略外化存储，干净地解决了LLM胡乱改写正确ASR结果的毛病。不过，这依然是一个针对文本后处理的精巧工程方案，依赖n-best列表，对纯声学错误束手无策，且记忆优化仍需有标注的样本，离真正的在线自适应agent尚有距离。 ...

📄 Evaluation of forced alignment of code-mixed speech: the case of Hindi-English 标签：#语音识别 #音频理解 #Transformer #模型评估 5.4/10 | 创新 0.8/2 | 严谨 0.8/1.5 | 实验 0.5/1.5 | 清晰 0.9/1 | 影响 0.4/1.5 | 开源 1.2/1.5 | 复现 0.1/0.5 | 工程 0.7/1.5 📝 5.4/10 | 后50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Ayushi Pandey（Karya, India） 通讯作者：未说明 作者列表：Ayushi Pandey（Karya, India）、Pamir Gogoi（Karya, India）、Kevin Tang（Department of English Language and Linguistics, Heinrich Heine University Düsseldorf, Germany; Department of Linguistics, University of Florida, United States of America） 💡 毒舌点评 这项工作精准地识别了语码混合强制对齐中因文字缺陷导致的发音变异难题，并给出了清晰的实验验证，具有不错的实践指导价值。然而，它本质上是一份使用过时工具（MFA v1.0）的应用调查报告，严重缺乏与当代（哪怕是2023年后）对齐技术的对比。在方法“考古”意义大于创新、且完全回避统计检验和标注间一致性评估的情况下，其结论的可靠性与时效性令人生疑。 ...

📄 SpeechLLM Meets Federated Learning for End-to-End ASR: English and Italian Case Studies 标签：#语音识别 #联邦学习 #音频理解 #Transformer #模型评估 7.1/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音识别 | #联邦学习 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Mohamed Nabih Ali（未说明） 通讯作者：未说明 作者列表：Mohamed Nabih Ali（未说明）、Daniele Falavigna（未说明）、Alessio Brutti（未说明） 💡 毒舌点评 论文首次将联邦学习与 SpeechLLM 结合用于端到端 ASR，选题具有应用价值，框架设计也基本合理。但方法创新十分有限，本质上是“LoRA + 学习率衰减的 FedAvg”的工程组合，且对“通信高效”这一核心卖点的量化分析完全缺失。实验仅在小规模、干净数据上进行，客户端划分过于理想化，对真实联邦场景中常见的强非IID、设备算力异构等挑战的压力测试严重不足。总体而言，工作停留在概念验证阶段，距离有说服力的系统创新尚有明显距离。 ...

📄 Towards Operational Conversational Intelligence: A Speech Intelligence Framework 标签：#说话人日志 #模型集成 #语音识别 #语音增强 #语音活动检测 6.4/10 | 创新 1/2 | 严谨 1.5/1.5 | 实验 0.5/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.4/1.5 ✅ 6.4/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #说话人日志 | #模型集成 | #语音识别 #语音增强 | arxiv 👥 作者与机构 第一作者：C. Vishnoi（Indian Institute of Technology Kanpur；实习于 EXL） 通讯作者：未说明 作者列表：C. Vishnoi（Indian Institute of Technology Kanpur, EXL）、S. Khurana（EXL）、A. Timmapur（EXL）、S. Rai（EXL）、S. Mohanty（EXL） 💡 毒舌点评 本文敏锐地捕捉到“增强陷阱”（Enhancement Trap）这一有价值的工程洞察——即语音增强对ASR和说话人日志有相反的效果——并以此为基础设计了模块化的双路径流水线架构。概率引导的VAD切分策略也展现了在系统集成层面的巧思。然而，评估仅基于作者自建的、仅含8条录音（总计31分钟）且声学场景混杂（包含演播室录音）的极小数据集，无任何公开基准对比，且完全闭源，导致其宣称的“统一框架”价值难以被量化和复现，使得核心贡献停留在工程经验报告层面，科学严谨性严重不足。 ...

📄 Earnings25: A Comprehensive 500-Hour Speech Benchmark for Finance 标签：#语音识别 #数据集 #领域适应 #音频理解 #Transformer 7.1/10 | 创新 0.8/2 | 严谨 1/1.5 | 实验 0.6/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.1/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #语音识别 | #领域适应 | #数据集 #音频理解 | arxiv 👥 作者与机构 全部作者均来自 Bloomberg（彭博），无其他机构。 💡 毒舌点评 这篇文章干了一件“早就该做”但“做了也没那么惊艳”的事。它给金融ASR社区端上了一个行业均衡、元数据丰富的标准化评测基准，想法务实，产线化工程很扎实。但问题同样刺眼：500小时的大摊子，基线却只有现成Whisper和Parakeet的零样本推理，既没有领域微调，也没有和Earnings-22的同台对比，更没有对齐质量的人工校验。这就好比精心搭好了一个顶级赛道，却只让几辆没调校过的原厂车跑了一圈，然后告诉大家“这个弯道很难”——基准的真正区分度和对领域适应的驱动价值，完全没有被证明。 📌 核心摘要 Earnings25 是一个面向英语财报电话会议的金融领域语音识别（ASR）基准。它包含两个互补测试集：testset-full为498小时2025年Q4 S&P 500公司完整财报电话录音，保留完整对话动态；testset-segmented为46小时从2025全年美国公司财报电话中按290个行业分层采样出的5-10分钟片段，确保每个细分行业恰好有一段。其构建流程为：（1）基于Bloomberg行业分类对超2,000场美国公司财报电话进行分层采样；（2）利用NeMo CTC模型执行强制对齐得到词级时间戳；（3）将对齐后语音贪婪聚合成5-10分钟片段，经内容过滤和说话人轮次边界优化后得到干净评测单元。数据集附带了包括说话人角色（高管/分析师/运营商）、行业分类、公司标识在内的结构化元数据，支持角色感知和行业感知的细粒度WER分析。基线实验显示，Parakeet-TDT在testset-full上WER为10.8%，在testset-segmented上为11.1%；术语密集型行业（如生物科技、制药）WER可达15.4%，显著高于整体平均，验证了行业均衡设计对暴露长尾域偏移的有效性。主要局限为仅限英语和美国公司，且强制对齐噪声未被定量评估。 🔗 开源详情 代码：是，论文在Zenodo元数据页面提供了GitHub仓库链接（https://github.com/bloomberg/earnings25）。 模型权重：未提供。使用的均为开源模型： OpenAI Whisper（base, medium, large-v2）：https://github.com/openai/whisper NVIDIA NeMo Parakeet-TDT-0.6B-v2：https://huggingface.co/nvidia/parakeet-tdt-0.6b-v2 数据集：Earnings25，包含音频、转录稿、元数据、标注与评估划分，通过Zenodo发布，链接：https://doi.org/10.5281/zenodo.18762168。转录稿、标注、元数据、评估划分和对齐结果使用CC BY 4.0许可，音频受原始内容提供者条款约束。 Demo：未提及。 复现材料：论文中给出了固定随机种子（2025）、PYTHONHASHSEED=2025、确定性解码设置、标准化评估变体等。代码仓库提供了产线代码。 论文中引用的开源项目： Whisper：https://github.com/openai/whisper NVIDIA NeMo：https://github.com/NVIDIA/NeMo SPGISpeech系列：SPGISpeech（https://arxiv.org/abs/2104.02014）和SPGISpeech2（文中引用未给具体链接），数据集链接：https://datasets.kensho.com/spgispeech Earnings-21与Earnings-22：Earnings-21 https://github.com/revdotcom/speech-datasets；Earnings-22 https://github.com/revdotcom/speech-datasets wav2vec 2.0：https://github.com/facebookresearch/fairseq/tree/main/examples/wav2vec 🏗️ 方法概述和架构 Earnings25 的构建并非一个算法模型，而是一套标准化的数据产线，其核心流程为“分层采样 → 强制对齐 → 音段切分 → 元数据附加”，最终生成两个标准测试集。 ...

📄 Indic DiarBench: A Multilingual Joint Diarization and ASR Benchmark for Indian Languages 标签：#说话人日志 #模型评估 #语音识别 #基准测试 #多语言 7.1/10 | 创新 1.2/2 | 严谨 0.8/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 7.1/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #说话人日志 | #模型评估 | #语音识别 #基准测试 | arxiv 👥 作者与机构 第一作者：Deovrat Mehendale（Sarvam AI, AI4Bharat, IIT Madras） 通讯作者：未明确标注（论文使用公共邮箱 deovrat.mehendale@gmail.com, adityam0309@gmail.com, dhruvsubhashrathi@gmail.com） 作者列表：Deovrat Mehendale（Sarvam AI, AI4Bharat, IIT Madras）、Aditya Mehndiratta（Sarvam AI, AI4Bharat, IIT Madras，以公共邮箱标注）、Dhruv Rathi（Sarvam AI, AI4Bharat, IIT Madras，以公共邮箱标注）、Kaushal Bhogale（Sarvam AI）、Mitesh M. Khapra（Sarvam AI, AI4Bharat, IIT Madras） 💡 毒舌点评 亮点：首次全面覆盖印度宪法承认的全部 22 种语言的多说话人 ASR+diarization 联合基准，108 小时的三场景（近场/远场/野外）数据填补了一个明确的生态空白；联合评估 cpWER/WDER 的实验设计比传统 decoupled 评估更贴近生产实际；code-mixing 感知的双重转写协议是印度语言 ASR 评估中实际而长期被忽略的痛点。 ...

📄 MoLGE: Mixture of Language Group Experts for Efficient Scaling of Massively Multilingual Speech Recognition 标签：#语音识别 #LoRA #多语言 #参数高效微调 #音频理解 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：方法研究 | 评分置信度：高 | #语音识别 | #LoRA | #多语言 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Sangmin Lee（延世大学 电子电气工程系） 通讯作者：Hong-Goo Kang（延世大学 电子电气工程系） 作者列表：Sangmin Lee（延世大学 电子电气工程系）、Woojin Chung（延世大学 电子电气工程系）、Woongjib Choi（延世大学 电子电气工程系）、Hong-Goo Kang（延世大学 电子电气工程系） 💡 毒舌点评 论文将语言分组与 Mixture of LoRA Experts 结合，对 495 种语言做了相当系统的分组策略研究，实验设计扎实，洞察到语言先验在复杂正字法空间中的收益大于简化音素空间。但整体架构仍是对已有 PEFT 与 MoE 技术的组合，缺乏真正颠覆性的新组件；且仅基于 300M 量级的 wav2vec2 类骨干，未与当前主流的数十亿参数大模型直接对标，限制了其在产业界的说服力。 ...