语音识别

针对智能眼镜佩戴者语音易被旁人声污染的问题，该工作保留指向嘴部的波束通道并补入鼻麦原始通道与旁人声检测嵌入送入流式 RNN-T，在真实录制集上相对噪声训练强基线平均降低 14.4% 词错率、最高达 18.0%，代价是仍依赖噪声增强训练且在特定旁人角度上残留短板。

该研究用粤语声调外在归一化双任务加脑电时频分析回答负荷下如何维持知觉恒常，发现行为准确率不受视觉负荷影响，但顶枕 alpha 同步增强与高负荷前额 delta 去同步共同支撑主动控制，代价是视觉任务准确率下降与额外抑制资源投入。

该文针对英语短语音主导、长语音与多语言评测分散且准度与效率口径不一的问题，搭建覆盖 86 个系统与 11 个数据集的三轨评测流程并统一词错误率与逆实时因子计算，在当前结果中 Conformer 类编码器加大语言模型解码器平均词错误率最低而 CTC 与 TDT 解码器吞吐更高，但差异同时受训练数据与配置影响。

针对带切分前端中循环时间与跨频带模块的串行依赖问题，论文用并行时间—频带混合器替代循环展开并用可学习的观察信号加回抑制伪影，在冻结 Whisper 下降低词错误率，代价是仍需两阶段训练且为话语级非流式混合。

针对多语语音大模型中多任务混训导致语言区分度丢失的问题，PART 用先单语 ASR 逐层解冻再引入 S2TT 联合优化的三阶段策略，在 Fleurs 上把平均 WER 从 6.4 降到 4.7、在 CoVoST2 上平均提升 1.4 BLEU，代价是需要 810k 小时 ASR 加 434k 小时 S2TT 数据与 256 卡三轮训练。

该文为普什图语从界面本地化、维基句子抽取、易丢音素补句到广播动员建成 147 小时众包朗读库，并用 MCV20 微调 Whisper Base 在 MCV20 测试集上报告 13.4% 词错误率，但朗读口音、方言与性别缺失限制了外推。

针对长时多方对话中说话人活动不均衡与重叠导致归属困难的问题，论文提出以目标到来方向为空间先验的多通道目标说话人抽取前端 PATSE，在回放与真实对话上以词错率和 diarization 错误率衡量获得一致增益，代价是仍需已知目标方向且对极小角度间隔更敏感。

针对端到端语音识别中专有名词易被替换为高频近音词的问题，该文提出只读转写文本的多视角检索 grounding 框架，用 G2P 细粒度发音、Soundex 粗粒度编码与上下文语义嵌入做归一化融合排序，在 69542 个对齐药物实体上把 Whisper-large-v3 的 Recall@1 从 38.27% 提升到 74.67%，代价是依赖预定义闭集词典与实 …

论文把 Wav2Vec2 与 HuBERT 微调到两种富含搭嘴音的 Khoisan 语言上比较搭嘴与非搭嘴音素误差，报告搭嘴误差显著更低且单语 HuBERT 整体最优，但冻结基座与盲目增大规模或语言数都不能保证更好。

论文把自动语音识别中的幻觉定义为对齐后的编造插入词，用因果中介与注意力行为定位到偏向文本的多头自注意力，再用连接时序分类门控与跨注意力构建 AudioSLM，在 LibriSpeech 上把开发集幻觉错误率从 52.01% 降到 8.69%，代价是正确率与替换删除略有回退且大骨干仍出现逆扩展。

针对 Whisper 预训练几乎未见过的低资源受体语言，论文用同语系内正字法分布最接近的施主语言先训 LoRA 再迁移初始化受体 LoRA，在 40-100 小时条件下相对受体单独微调获得约 9%-17% 的词错误率下降，代价是仍需数十小时受体标注语音与施主大语料先训。

该研究在 Whisper-small 上用免微调的一次性幅度剪枝证明剪对位置可降低词错误率，解码器自注意力剪 50% 在 LibriSpeech test-other 上带来 2.38% 绝对增益，而 40.8% 稀疏度的敏感度感知压缩仅使词错误率恶化 0.20%

论文以同一对开源流式 ASR 与流式说话人日志模型为起点，比较级联、掩码输入、词级 SOT 与日志条件四种架构，报告显示日志条件的 SSA 在多说话人 cpWER 平均最低而词级 SOT 在单说话人上退化明显，代价是需要微调与多实例内存。

针对 Conformer-Transducer 端侧过大问题，论文用二值低秩分解加梯度敏感度的混合秩分配把编码器压到亚 1 比特，用 LibriSpeech 上 1.0 bpw 混合秩 dev-other 词错误率 6.01% 与 0.2 bpw 仍可运行为证据，代价是解码器与联合网络仍需高秩且低码率下词错误率明显上升。

针对二值目标粗糙、时序对齐易错和真类概率坍缩问题，论文提出结合排序分与分布距离的连续目标 RanD 并为四种解码结构训练词级置信度估计器，在印地语与英语实验中报告了更低的校准误差与更高的区分度，但删除词与低资源表征仍未解决。

该研究用合成语音控制发音变量，对比可读性与转写错误，发现现代端到端语音识别的字错率与全局可读性指数近乎正交，而人类感知难度仍与错误相关，内部不确定性也未随文本变难而上升。

该文用共享参数的块限制注意力加动态块卷积统一离线与流式 Transducer，并以全格点对称 KL 一致性正则在低延迟流式上缩小差距，主证据是 L 尺寸统一双模加 MCR 在 0.32s 延迟平均词错率 8.24 而离线保持 6.63，代价是每步需跑离线与流式两次前向并承担额外 KL 计算与延迟定义约束。

该文把语码切换识别当作可验证奖励问题，用组相对策略优化在仅一成合成语码切换语音上训练，以字符错率奖励消灭整句翻译、以书写保真奖励压制错文字系，并用两遍起草加改写让模型再听一次，二十成数据在人工录制的双语测试上超过全量低秩监督微调，但代价是单步采样更贵且在阿拉伯语等对上改写可能过纠。

针对自回归测试时自适应中熵最小化实现分裂的问题，论文推导出包含词元级策略梯度损失与词元级熵损失的完整梯度，并在 Whisper 语音识别上以 20 余个噪声口音多语域验证，最强的束搜索变体带来最低词错率，但代价是每步多采样与多步更新的计算开销。

论文研究噪声混响和重叠说话下的零前视流式识别，采用在线语音分离前端加只用干净语音训练的流式识别后端的解耦框架，最强证据是在 LibriSpeech 模拟噪声、CHiME-4 和 LibriCSS 上用 oTF-CrossNet 加干净后端超过同等数据量的多条件训练基线，代价是系统好坏高度依赖分离前端的强度。