CTC

共分析 898 篇 ICASSP 2026 论文

共分析 133 篇 ICLR 2026 论文

本文针对竞争语音导致 CTC 识别器多吐词的问题，用冻结模型在配对干净语音上的期望折叠词元数作锚，只惩罚混合语音学生的超出部分，在 147456 参数的早期层适配下降低语音干扰词错误率，但长训练会在噪声和音乐上以删除增加为代价。

本文用约 4977 小时许可清晰的土耳其语音从零训练 31.6M 参数的 FastConformer 加 TDT 模型，在朗读测试上超过 Whisper base 和小模型但仍低于 large-v3，而对话语音错误率高得多且导出部署需要增益和补齐等补偿。

本文把冻结 OWSM-CTC 的 50002 维后验作为八语共享接口，对比真实后验、启发式模拟和学习型模拟器，证明文本初始化加九分之一配对语音可达 9.19% 混合词错误率，但模拟与真实后验的差距仍是主要限制。

针对金融解说合成中汉字多音词读错问题，论文用预期读音与易混读音的 CTC 似然差做读音级校验，在 540 句三声音对照实验上把误报从 44.4% 降到 5.0% 并保持 91.7% 检出率，代价是需要逐词维护预期读音与易混读音词表。

论文比较 CTC 与单调 Transducer 在不同剪枝和语言模型下的词错误率与搜索耗时，核心证据是外部语言模型下多数时刻活跃假设很少但困难处出现瞬时高峰，而按分数差距保留假设的动态剪枝能在保持词错误率的同时把搜索耗时降低约一个数量级。

针对提示式上下文识别装不下大热词表的问题，VISH 直接在帧级 CTC 后验上做受限维特比搜索来打分排序，M-VISH 用共享前缀与剪枝把大表验算变快，Bi-MVISH 再加反向证据补强弱首音，在五组评测上提升预选 Best-F1 并在 2000 词时大幅降低候选搜索耗时。

本文把 ASR 幻觉定义为对齐后多出的编造词，用因果敲除和注意力分析定位到偏向文本的多头自注意力，再用 CTC 对齐门控加交叉注意力在 LibriSpeech 上把幻觉率从 52.01% 降到 8.69%，代价是替换率略升且大模型下幻觉反而加重。

针对日中语音识别在冻结 CTC 贪婪解码下按字符热词表加偏的问题，用字符级自动机暴露匹配深度做门控并叠加读音空间匹配，在 Aishell-1 难例上达到 66.5% 召回并在日语基准上提升约 25 个百分点，代价是随词表增大和权重设置需要权衡插入错误。

论文把冻结大模型词向量当几何锚点，用距离 CTC 统一时间压缩和几何约束，只在 960 小时英语转写上训练就在未见翻译和情绪任务上接近级联系统，同时保留独立 CTC 解码能力，代价是空白符位置敏感和长语音退化。

论文固定声学编码器与训练数据只更换输出分词器，对比多语字符表、数据驱动 BPE 与音节音素分词在同域朗读和两种正交域偏移下的词错误率，发现小词表时音节先验占优而大词表时优势反转。

针对印地语带时间戳转写问题，论文在 Whisper 编码器输出上加一个字符级线性 CTC 头做强制对齐，时间戳精度与依赖外部模型的 WhisperX 相当，并用 CTC 输出长度约束缓解短语音幻觉，但结论只在原文四个测试集和人工标注条件下成立。

共分析 245 篇语音/AI 论文

针对只有静音视频和候选文本的配音唇同步评审问题，论文用候选相关的 CTC 单调对齐提供局部与全局证据再交由大语言模型推理，在七语基准上报告平均 AUC 达 0.920 并通过消融证明校准全局分对时序不可或缺。

共分析 48 篇语音/AI 论文

针对原生大词表 CTC 需物化帧乘词表激活的问题，论文用目标词并集加 blank 做对齐、用全词表归一化加分块重算保持等价，并以有限波束剪枝和因果查询读出把预训练 LLM 做成非自回归与流式识别，在编码器上全步显存降 2.3 至 5.1 倍、LLM-CTC 保持在 LLM-CE 的 7% 相对词错率内并快 7.2 至 10.3 倍，代价是每步增加约 14 至 …

共分析 93 篇语音/AI 论文

针对开放词表关键词检测中对比学习只管排序不管绝对阈值的问题，CORD-KWS 在保持双编码器余弦打分与 O(1) 注册的同时加入单调校准头、CTC 顺序辅助与语音学难负例，在 LibriPhrase 上报告 easy 0.43% 与 hard 9.64% 的 EER，代价是 hard 导向的 BCE 使 easy 出现小幅回升。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读