论文解读
Three Seconds is Sufficient: A Multi-Pronged Framework for Model-Based Speaker Adaptation in ASR Under Data-Scarce Conditions
语音识别 | 7.0/10
迁移学习
论文解读
Towards Fair ASR for Second Language Speakers using Fairness Prompted Finetuning
语音识别 | 6.5/10
论文解读
Transfer Learning for Paediatric Sleep Apnoea Detection using Physiology-Guided Acoustic Models
音频分类 | 7.0/10
论文解读
Transferable Audio Lottery Tickets: Gradient Accumulation for Extreme Sparsity
音频分类 | 7.0/10
论文解读
UNet-Based Fusion and Exponential Moving Average Adaptation for Noise-Robust Speaker Recognition
说话人验证 | 7.5/10
论文解读
WavLink: Compact Audio–Text Embeddings with a Global Whisper Token
音频检索 | 8.0/10
论文解读
Windowed SummaryMixing: An Efficient Fine-Tuning of Self-Supervised Learning Models for Low-Resource Speech Recognition
语音识别 | 6.5/10
论文解读
Low-Rank Adaptation Redux for Large Models
大语言模型 | 5.5/10
论文解读
Environmental Sound Deepfake Detection Using Deep-Learning Framework
1. **问题**：针对环境声音（包括声音场景和声音事件）的深度伪造检测（ESDD）任务，现有研究不足，且尚不清楚声音场景与声音事件的伪造检测是否需要不同模型。 2. **方法核心**：提出一个深度学习框架，核心是采用预训练的音频模型（BEATs）作为特征提取器，并结合一种三阶段训练策略（包含对
论文解读
SAND: The Challenge on Speech Analysis for Neurodegenerative Disease Assessment
1. **解决的问题**：针对神经退行性疾病（特别是肌萎缩侧索硬化症ALS）的早期诊断和监测，缺乏大规模、有临床标注的语音数据集，以及标准化的算法评估框架。 2. **方法核心**：构建并发布了名为SAND的挑战赛，其核心是提供一个扩展的、包含纵向数据的ALS患者与健康对照语音数据集（VOC-A
论文解读
FreezeEmpath: Efficient Training for Empathetic Spoken Chatbots with Frozen LLMs
本文旨在解决训练共情语音聊天机器人时面临的**共情语音数据稀缺、模型泛化能力弱、以及微调导致LLM通用能力退化**三大难题。作者提出了**FreezeEmpath**，一种高效的端到端训练框架。其核心方法是**冻结基础LLM**，采用**语义-情感解耦编码策略**，通过独立的语义适配器和情感提取器从
论文解读
Contextual Biasing for ASR in Speech LLM with Common Word Cues and Bias Word Position Prediction
这篇论文旨在解决语音大模型（SLLM）在识别训练数据中稀有或未见的“偏置词”时性能不佳的问题。传统方法依赖于为偏置词提供精确的音素序列（通过G2P系统生成），但这对用户有专业要求且工具兼容性差。为此，
论文解读
SpeakerRPL v2: Robust Open-set Speaker Identification through Enhanced Few-shot Foundation Tuning and Model Fusion
本文旨在解决开放集说话人识别中的鲁棒性问题，即系统在仅有少量目标说话人注册样本的情况下，需同时准确识别已知说话人并可靠拒识未知说话人。作者在先前SpeakerRPL V1框架基础上提出了三项关键改进：
论文解读
Transformer Based Machine Fault Detection From Audio Input
本文旨在探讨基于Transformer的架构在机器故障音频检测任务上相对于传统卷积神经网络（CNN）的潜在优势。**要解决的问题**是传统CNN在处理频谱图时固有的局部性和平移不变性等归纳偏置，可能并