论文解读
整句重复又帧内粘连:MelTrim 先按声音粗筛再按梯度细剪做语音分类剪枝
针对语音分类中整句之间与句子内部同时冗余的问题,MelTrim 先用声学特征聚类做整句粗筛,再用冻结判别模型梯度范数做帧级细剪,在极小子集上取得明显精度优势,但选择本身带来一次性开销且当前只验证单一声学模态。
针对语音分类中整句之间与句子内部同时冗余的问题,MelTrim 先用声学特征聚类做整句粗筛,再用冻结判别模型梯度范数做帧级细剪,在极小子集上取得明显精度优势,但选择本身带来一次性开销且当前只验证单一声学模态。
共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读
该研究用音画同步选出说话人、用文本教师蒸馏音频与视觉图网络、再用分层注意力与组合损失做融合,在 MELD 达到 67.75% 加权 F1、在 IEMOCAP 达到 72.44% 加权 F1,代价是引入更多超参数与调参负担。
针对闭集说话人识别的投毒后门问题,论文用时域上的频率调制与幅度调制构造全局平滑触发,在中毒率 0.05 等条件下报告数字与物理场景的高攻击成功率,同时保持良性准确率下降有限,但干净标签等更难设置的性能明显走弱。
针对级联式说话人日志与识别中误差传递与重叠语音难处理的问题,SpeakerLM 用音频编码器加投影器接入大语言模型的端到端多模态方案,在约 7638.95 小时数据下主指标超越最强级联基线,但小数据与仿真失配时仍明显落后。
说话人识别 | 7.8/10
说话人识别 | 5.7/10
说话人识别 | 6/10
说话人识别 | 7.5/10
语音识别 | 7.5/10
说话人验证 | 6.8/10
说话人验证 | 7.9/10
说话人识别 | 9.2/10
说话人识别 | 6/10
说话人识别 | 8.6/10
说话人识别 | 8.6/10
语音识别 | 6.5/10
语音增强 | 9.3/10
语音匿名化 | 7.1/10
说话人识别 | 6.3/10