When Multiple Scripts Matter: Evaluating ASR in Clinical Settings
AITRICS;University of Copenhagen(哥本哈根大学);KAIST(韩国科学技术院)
针对非英语临床场景中ASR受多文字变异性影响的问题,提出MultiClin基准,通过多文字感知评估更公平地衡量识别质量,并发现文字统一化能提升ASR性能。
2026-06-17 cs.AI cs.CL
Tokenizer Transplantation: Mitigating Autoregressive Collapse in Edge-Efficient Bengali ASR
Useful Sensors(有用传感器公司)
研究针对轻量级孟加拉语语音识别模型失败问题,提出用BanglaBERT WordPiece词汇替换解码器词汇并调整矩阵大小的方法,经实验改进后模型在数据集上有竞争力,提供了紧凑ASR模型跨脚本适配的可扩展蓝图。
2026-08-03 cs.CL
DuDe: Dual-Decoder Multilingual ASR for Indian Languages using Common Label Set
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
在像印度这样的多语言国家,多语言自动语音识别(ASR)系统有很大的应用范围。多语言ASR系统表现出许多优点,如可扩展性,可维护性,并提高了单语言ASR系统的性能。然而,为印度语言构建多语言系统是具有挑战性的,因为不同的语言使用不同的脚本进行写作。另一方面,印度语言有很多共同的声音。公共标签集(CLS)利用了这一思想,并将具有相似声音的各种语言的字素映射到公共标签。由于印度语言大多是语音的,因此构建一个解析器来将本地脚本转换为CLS是很容易的。在本文中,我们探索了各种方法来构建多语言ASR模型。我们还提出了一种新的架构,称为编码器-解码器-解码器,用于构建使用CLS和本地脚本标签的多语言系统。我们还分析了基于CLS的多语言系统与机器音译相结合的有效性。
2022-10-30 cs.CL cs.LG cs.SD
Reinforcement Learning for Data-Efficient Code-Switched ASR
Spotify Canada(加拿大声田公司)
研究针对代码混合语音识别中音频语言模型解码问题,提出基于强化学习的方法,结合错误率奖励、脚本保真度奖励及两阶段过程,用少量数据训练达全量数据微调效果,且增益可零样本转移。
2026-07-07 cs.CL cs.SD
Development of a New Image-to-text Conversion System for Pashto, Farsi and Traditional Chinese
University of Arizona(亚利桑那大学)
我们报告的研究和原型建设项目\emph{Worldly~OCR}的结果,致力于开发新的,更准确的图像到文本转换软件的几种语言和书写系统。这些包括波斯语和普什图语的草书,以及拉丁草书。我们还描述了面向繁体中文的方法,繁体中文是非草书的,但具有65,000个字符的超大字符集。我们的方法基于机器学习,特别是深度学习和数据科学,并针对超过10亿页的大量原始文档。本文的目标受众是对数字人文或从数字图像中检索准确的全文和元数据感兴趣的普通受众。
2020-05-08 cs.CL cs.CV cs.LG
The Limits of Data Scaling: Sub-token Utilization and Acoustic Saturation in Multilingual ASR
本研究通过分析Whisper在49种语言上的解码行为,发现多语言ASR的子词元利用受语音统计、类型学和正字法结构约束,而非训练数据规模,并提出声学饱和时间(AST)概念,为公平语料库构建提供实证依据。
2025-10-26 cs.CL
Diacritic Recognition Performance in Arabic ASR
MBZUAI(穆罕默德·本·扎耶德人工智能大学)
该研究针对阿拉伯语ASR变音识别性能展开分析,通过不同变音标注条件微调预训练模型,分离评估变音识别效果,证实ASR变音标注优于文本后处理方法,人工标注微调时效果更优。
2023-02-27 cs.CL
The Tag-Team Approach: Leveraging CLS and Language Tagging for Enhancing Multilingual ASR
Indian Institute of Technology Madras(印度马德拉斯理工学院)
本文针对印度多语言ASR中文字差异大、语音数据有限的问题,提出在CLS多语言模型上注入语言ID或CLS到本地文字转换器的方法,显著降低了词错误率并验证了分布外鲁棒性。
2023-05-31 cs.CL eess.AS
Romanization Encoding For Multilingual ASR
NVIDIA Corporation(英伟达公司)
提出罗马化编码结合平衡拼接分词器与Roman2Char模块,在FastConformer-RNNT框架中显著降低词汇量并提升中英及多语言ASR性能。
2024-12-17 cs.CL cs.SD eess.AS
What is lost in Normalization? Exploring Pitfalls in Multilingual ASR Model Evaluations
Digital University Kerala(喀拉拉邦数字大学);Swathanthra Malayalam Computing(斯瓦坦特拉马拉雅拉姆计算机构);University of Kerala(喀拉拉邦大学)
本文揭示多语言ASR评估中文本归一化对印度语系脚本的缺陷,导致性能指标虚高,并提出利用本土语言学知识改进归一化流程。
2024-11-09 cs.AI cs.CL cs.HC
Integrating automatic speech recognition into remote healthcare interpreting: A pilot study of its impact on interpreting quality
University of Surrey(萨里大学)
本文通过一项中英医疗口译试点研究,验证了ASR完整转写及ChatGPT摘要能提升远程医疗口译质量,并探讨了最佳ASR输出呈现方式。
2025-02-05 cs.CL
From Scarcity to Scale: A Release-Level Analysis of the Pashto Common Voice Dataset
O.P. Jindal Global University(O.P.贾丁格洛布大学);Technical University of Munich(慕尼黑技术大学)
本文分析了帕什托语Common Voice数据集的规模增长及验证情况,揭示了参与不均和元数据不足的问题,提出提升数据集质量的改进方向。
2026-02-15 cs.CL cs.SD
LoASR-Bench: Evaluating Large Speech Language Models on Low-Resource Automatic Speech Recognition Across Language Families
Kyoto University(京都大学);Institute for Infocomm Research, Agency for Science, Technology and Research(信息通信研究机构,科技研究局)
本文提出LoASR-Bench,评估最新SpeechLM在低资源语言上的ASR性能,涵盖25种语言9个语系,揭示最新SpeechLM在低资源语言处理中的局限性。
2026-03-20 cs.AI cs.CL
A two-stage transliteration approach to improve performance of a multilingual ASR
NIT Patna(巴特那国家理工学院)
本文提出一种两阶段音译方法,将多语言字素投影到通用文字系统以构建语言无关的端到端ASR模型,并在尼泊尔语和泰卢固语上实现WER降低20%、CER降低24%。
2024-10-09 cs.CL cs.SD eess.AS
Unsupervised Language agnostic WER Standardization
Microsoft(微软)
词出错率(WER)是用于评估自动语音识别(ASR)系统的标准度量。然而,WER未能提供一个公平的评价人类感知质量的拼写变化,缩写,或复合词所产生的凝集。基于区域/地理、替代缩写、借用词以及从外语到目标语言脚本的代码混合词的音译,多种拼写变体可能是可接受的。类似地,在凝集的情况下,通常凝集的以及分裂的形式是可接受的。以前的工作通过使用手动识别的归一化对来处理这个问题,并在计算WER之前将它们应用于转录和假设。在本文中,我们提出了一个自动WER规范化系统,包括两个模块:拼写规范化和分割规范化。所提出的系统是无监督和语言不可知的,因此可扩展。ASR在四种语言的35 K话语上的实验产生了13.28%的平均WER减少。这些自动识别的标准化对的人的判断表明,我们的WER标准化的评价是高度一致的ASR输出的感知质量。
2023-03-09 cs.CL
Biomedical Machine Translation for Low-Resource Arabic-Script Languages via Cross-Lingual Transfer and LoRA Adapter Merging
研究针对阿拉伯语脚本低资源语言生物医学翻译稀缺问题,利用阿拉伯语和波斯语作枢纽,通过LoRA微调训练特定领域适配器,评估少样本学习、最小监督适应及零数据LoRA适配器合并三种策略,展现不同策略效果及跨语言转移局限性。
2026-07-27 cs.CL
BBPE16: UTF-16-based byte-level byte-pair encoding for improved multilingual speech recognition
BBPE16是一种基于UTF-16的字节级字节对编码方法,通过统一的2字节代码单元提高多语言语音识别的token共享效率和计算性能。
2026-02-02 cs.AI cs.CL
BASPRO: a balanced script producer for speech corpus collection based on the genetic algorithm
Research Center for Information Technology Innovation, Academia Sinica(中央研究院资讯科技创新研究中心);Columbia University(哥伦比亚大学);Institute of Information Science, Academia Sinica(中央研究院资讯科学研究所)
语音处理模型的性能在很大程度上受到用于训练和评估的语音语料库的影响。在这项研究中,我们提出了平衡脚本PROducer(BASPRO)系统,它可以自动构建一个语音平衡和丰富的中文句子集,用于收集汉语普通话语音数据。首先,我们使用预先训练好的自然语言处理系统,从一个大型中文新闻文本语料库中提取十个字符的候选句子。然后,我们应用了一种基于遗传算法的方法来选择20个语音平衡的句子集,每个句子集包含20个句子,从候选句子。使用BASPRO,我们获得了一个名为TMNews的录音脚本,其中包含400个十字句。TMNews涵盖了现实世界中使用的84%的音节。此外,音节分布与真实世界的音节分布具有0.96余弦相似度。我们使用两个文本到语音系统将脚本转换为语音语料库。使用设计的语音语料库,我们测试的性能语音增强(SE)和自动语音识别(ASR),这是最重要的回归和分类为基础的语音处理任务,分别。实验结果表明,在设计的语音语料库上训练的SE和ASR模型的性能优于在随机合成的语音语料库上训练的模型。
2022-12-11 cs.AI cs.CL cs.LG
Construction of a Large-scale Japanese ASR Corpus on TV Recordings
Laboro.AI, Inc.(Laboro.AI公司);The University of Tokyo(东京大学)
本文提出了一个新的大规模日语语音语料库的训练自动语音识别(ASR)系统。该语料库包含超过2,000小时的演讲,并根据日本电视录音及其字幕进行了转录。我们在这里开发了一个迭代的工作流程,以提取匹配的音频和字幕段从电视录像的基础上轻监督的音频到文本对齐的传统方法。我们使用建立在日本TEDx演示视频上的评估数据集来评估用我们的语料库训练的模型,并确认其性能优于用自发日语语料库(CSJ)训练的模型。实验结果表明,我们的语料库的有用性,培训ASR系统。该语料库与用于训练本文中报告的模型的Kaldi脚本一起向研究社区公开。
2021-03-26 cs.CL cs.SD eess.AS
UML: A Universal Monolingual Output Layer for Multilingual ASR
Google(谷歌)
词段模型(WPM)是最先进的端到端自动语音识别(ASR)系统中常用的子词单元。对于多语言ASR,由于不同语言的书面脚本存在差异,多语言WPM带来了输出层过大和扩展到更多语言的挑战。在这项工作中,我们提出了一个通用的单语输出层(UML)来解决这些问题。UML将每个输出节点与多个WPM重新关联,而不是一个输出节点只用于一个WPM,每个WPM用于一种语言,并导致跨语言共享的更小的单语输出层。因此,UML能够根据输入语音的语言切换每个输出节点的解释。11种语言的语音搜索任务的实验结果表明,使用UML的高质量和高效率的多语言流ASR的可行性。
2023-02-22 cs.CL cs.SD eess.AS
WaxalNet: Benchmarking and Adapting Speech Recognition for Spontaneous Speech in 19 African Languages
CMU Africa(CMU非洲中心);LyngualLabs;MBZUAI
本研究评估了紧凑型领域专用ASR模型在WAXAL语料库的19种非洲语言会话语音上是否优于大规模多语言基础模型,通过微调边缘模型实现了宏平均WER从64.9%降至38.0%,模型大小缩小3-40倍,证实领域专业化主导规模效应。
2026-10-23 cs.CL cs.CY cs.HC
Speech Recognition for Endangered and Extinct Samoyedic languages
University of Helsinki(赫尔辛基大学);Luua Forestry School(卢阿林业学校);Rootroo Ltd(鲁特罗有限公司)
我们的研究提出了一系列的实验语音识别濒危和灭绝的萨莫耶德语言,讲在西伯利亚北部和南部。据我们所知,这是第一次为一种灭绝的语言构建功能性ASR系统。我们用Kamas语言实现了15%的标签出错率,并通过仔细的错误分析得出结论,这种质量已经非常有用,作为一个起点,为完善的人类翻译。我们的结果与相关的Nganasan语言更温和,最好的模型有出错率的33\%。然而,我们表明,通过实验,其中卡玛斯训练数据是逐步扩大,Nganasan的结果是符合预期的低资源环境下的语言。在此基础上,我们为进一步的语言文档或归档处理活动可以从现代ASR技术中受益的场景提供了建议。所有训练数据和处理脚本都已在Zenodo上发布,并有明确的许可证,以确保在这一重要主题上的进一步工作。
2020-12-09 cs.CL
RO-N3WS: Enhancing Generalization in Low-Resource ASR with Diverse Romanian Speech Benchmarks
Department of Computer Science University of Bucharest(计算机科学系 布拉奇大学)
RO-N3WS通过多样化的罗马尼亚语音数据集提升低资源ASR在零样本和分布外条件下的泛化能力,验证了有限微调对WER的显著提升。
2026-03-02 cs.CL cs.LG cs.SD
BaltiVoice: A Speech Corpus and Fine-tuned Whisper ASR System for the Balti Language
Independent Researcher(独立研究员);The Islamia University of Bahawalpur(伊斯兰巴哈瓦尔普尔大学)
针对无公开ASR资源的巴尔蒂语,构建16.8小时朗读语音语料库并微调Whisper-small模型,在验证集上词错误率从182.18%降至30.07%。
2026-09-10 cs.AI cs.CL
Benchmarking Commercial ASR Systems on Code-Switching Speech: Arabic, Persian, and German
Perle AI
针对四种语言对的代码切换语音,通过两阶段管道选择样本并评估五个商业ASR系统,发现WER夸大质量差距而BERTScore更准确,ElevenLabs Scribe v2表现最佳。
2026-05-22 cs.AI cs.CL
Multistage Fine-tuning Strategies for Automatic Speech Recognition in Low-resource Languages
Digital University Kerala(喀拉拉邦数字大学)
本文提出一种多阶段微调策略,利用Whisper模型先训练中间泰米尔语ASR,再微调至低资源Malasar语,显著降低词错误率至51.9%,验证了跨语言迁移与后处理的有效性。
2024-11-07 cs.AI cs.CL cs.SD
Unveiling the Potential of LLM-Based ASR on Chinese Open-Source Datasets
Northwestern Polytechnical University(西北工业大学)
本研究在中文开源数据集上系统评估语音编码器、LLM和投影模块配置,提出三阶段训练方法,在AISHELL-1等测试集上达到SOTA性能,并公开全部代码与模型以促进可复现研究。
2024-11-05 cs.CL cs.SD eess.AS
Beyond Word Error Rate: A Switch Aware Evaluation of ASR and Audio Language Models on English Yoruba Code-Switched Speech
University of Florida(佛罗里达大学)
本研究提出转换感知评估框架,对11个ASR和音频语言模型在英语-约鲁巴语代码转换语音上进行测试,发现聚合词错误率掩盖转换行为,音频语言模型在转换局部指标上显著更优,并发布评估工具以支持可复现基准测试。
2026-09-11 cs.AI cs.CL
Unadapted Multilingual ASR on a Garrusi Kurdish Evaluation Set: A Common-Reference Staged Normalization Analysis
本文针对未适配的多语种ASR模型在加鲁西库尔德语评估集上的问题,采用通用参考分阶段归一化方法,发现书写系统差异会影响评分,且微调系统表现更差,将发布修正结果供独立核查。
2026-09-11 cs.CL cs.SD
Automatic Speech Recognition in Sanskrit: A New Speech Corpus and Modelling Insights
IIT Bombay(孟买印度理工学院);University of Cambridge(剑桥大学);IIT Kharagpur(卡哈拉格普尔印度理工学院)
梵语的自动语音识别(ASR)是一个有趣的课题,因为梵语具有多种语言特性。梵语在词汇上是多产的,在词的边界上经历了音素的悦耳同化,在拼写惯例和发音上表现出变化。在这项工作中,我们提出了第一个大规模的研究自动语音识别(ASR)在梵语,强调单位选择的影响,在梵语ASR。在这项工作中,我们发布了一个78小时的梵语ASR数据集,它忠实地捕捉了该语言所表达的几个语言特征。我们调查的作用,不同的声学模型和语言模型单位在梵语的ASR系统。我们还提出了一个新的建模单元,灵感来自音节级单元选择,捕获字符序列从一个元音在单词中的下一个元音。我们还强调了选择梵文的字形表示的重要性,并显示这种选择对单词错误率(WER)的影响。最后,我们扩展了这些见解,从梵语ASR的建设ASR系统在其他两个印度语言,古吉拉特语和泰卢固语。对于这两种语言,我们的实验结果表明,在ASR中使用基于语音的字形表示的结果相比,使用本机脚本的ASR系统的性能提高。
2021-07-23 cs.CL cs.LG cs.SD
LOTUSDIS: A Thai far-field meeting corpus for robust conversational ASR
本文提出泰语远场会议语料库 LOTUSDIS,包含 114 小时多距离多设备自发对话,通过微调 Whisper 显著降低远场词错误率,证明距离多样化数据对鲁棒 ASR 的重要性。
2025-09-23 cs.CL cs.SD
Choosing a PEFT Variant for Per-Patient Dysarthric ASR: A Single-Speaker Case Study on Two ASR Bases
The Scott-Morgan Foundation(斯科特-摩根基金会);Institute of Informatics, University of Szeged(塞格德大学信息学研究所)
本研究针对一名重度构音障碍的卒中后匈牙利男性说话人,对比七种PEFT变体在两款ASR基础模型上的表现,得出LoRA更具优势、5分钟音频采集可实现近一半CER降低量等结论。
2026-09-03 cs.CL cs.SD
FA-Bench: A Benchmark for Phone- and Word-Level Timestamp Accuracy in Forced Alignment and ASR on Clean and Noisy Speech
FA-Bench是一个开放基准,统一协议下评估21个开放模型和9个商业API在干净和噪声条件下的强制对齐与ASR时间戳,采用容差F1消除分数膨胀,并发现Whisper提前150毫秒等系统性计时偏差。
2026-10-09 cs.CL cs.PF
Model Adaptation for ASR in low-resource Indian Languages
Indian Institute of Science(印度科学学院);Navana Tech(纳瓦纳科技)
本文倡议研究低资源印度语言 ASR 的模型适配,利用语系、文字和语法相近的高资源语言及 SSL 预训练模型,评估声学与文本模态的作用。
2023-07-16 cs.CL eess.AS
Is Word Error Rate a good evaluation metric for Speech Recognition in Indic Languages?
提出了一种计算自动语音识别(ASR)中出错率的新方法。这个新的度量标准适用于包含半字符的语言,并且同一个字符可以用不同的形式书写。我们实现了我们的方法在印地语,这是从印度的主要语言之一,我们认为这种方法是可扩展到其他类似的语言包含一个大的字符集。我们称我们的度量为交替字出错率(AWER)和交替字符出错率(ACER)。我们使用wav2vec 2.0 \cite{baevski2020wav2vec}为印度语训练我们的ASR模型。此外,我们使用语言模型,以提高我们的模型性能。我们的研究结果表明,在分析的出错率在单词和字符的水平和ASR系统的可解释性提高到$3$在AWER和$7$在ACER印地语的%有显着的改善。我们的实验表明,在具有复杂发音的语言中,有多种方式可以在不改变其含义的情况下书写单词。在这种情况下,AWER和ACER将比WER和CER更有用。此外,我们开源了一个新的基准测试数据集21小时印地语与新的指标脚本。
2022-06-15 cs.CL eess.AS
Multilingual Speech Recognition With A Single End-To-End Model
Google Inc.(谷歌公司);Toyota Technological Institute at Chicago(芝加哥丰田理工学院)
训练传统的自动语音识别(ASR)系统以支持多种语言是具有挑战性的,因为子词单元、词典和词库存通常是语言特定的。相比之下,序列到序列模型非常适合多语言ASR,因为它们将声学,发音和语言模型共同封装在单个网络中。在这项工作中,我们提出了一个单一的序列到序列的ASR模型,在9种不同的印度语言上训练,这些语言的脚本几乎没有重叠。具体来说,我们采取了一个联盟的语言特定的字素集和训练一个基于字素的序列到序列模型联合从所有语言的数据。我们发现,这种没有明确给出任何关于语言身份的信息的模型,与单独训练每种语言的类似序列到序列模型相比,识别性能提高了21%。通过修改模型以接受语言标识符作为额外的输入特征,我们进一步将性能提高了7%,并消除了不同语言之间的混淆。
2018-02-15 cs.AI cs.CL eess.AS
Semantically Corrected Amharic Automatic Speech Recognition
African Institute for Mathematical Sciences (AIMS)(非洲数学科学研究所);Carnegie Mellon University(卡内基梅隆大学)
本文为阿姆哈拉语构建ASR工具,发布修正空格的测试集转录,并提出基于transformer编码器-解码器的后处理方法,将原始输出转为语义连贯的句子,在修正测试集上实现5.5%的CER和23.3%的WER。
2024-04-20 cs.AI cs.CL cs.LG
LatPhon: Lightweight Multilingual G2P for Romance Languages and English
Department of Electronic Systems Engineering(电子系统工程系);Escola Politécnica, Universidade de São Paulo(圣保罗大学工学院)
本研究提出轻量级多语种G2P模型LatPhon,基于7.5M参数的Transformer在六种拉丁字母语言上联合训练,在ipa-dict语料库上PER达3.5%,性能接近单语言专用模型且内存占用仅30MB,可作为拉丁语言语音流水线的通用前端。
2025-09-03 cs.CL
The Edinburgh International Accents of English Corpus: Towards the Democratization of English ASR
The University of Edinburgh(爱丁堡大学)
发布了首个爱丁堡国际英语口音语料库(EdAcc),包含近40小时多口音视频通话,揭示了当前英语ASR模型在处理非主流口音时的严重性能缺陷。
2023-03-31 cs.CL cs.LG cs.SD
Efficient Dialect-Aware Modeling and Conditioning for Low-Resource Taiwanese Hakka Speech Processing
Dept. Computer Science and Information Engineering, National Taiwan Normal University, Taiwan(计算机科学与信息工程系,国立台湾师范大学,台湾);Institute of Computer Science, Academia Sinica, Taiwan(学术院计算机科学研究所,台湾);United Link Co., Ltd., Taiwan(联合链接公司,台湾)
本文提出一种基于RNN-T的统一框架,通过方言意识建模策略和参数高效预测网络,实现低资源台语客家语的高效ASR处理,取得显著的错误率降低效果。
2026-02-26 cs.AI cs.CL cs.SD
Voice of India: A Large-Scale Benchmark for Real-World Speech Recognition in India
Indian Institute of Technology, Madras, India(印度理工学院,马德拉斯分校);Josh Talks, India(Josh Talks)
针对现有Indic ASR基准的局限性,提出基于非脚本电话对话的封闭源基准Voice of India,覆盖15种主要印度语言和139个区域集群,包含306230条语音(536小时),并分析地理、音频质量、语速、性别和设备类型等因素对ASR性能的影响。
2026-07-07 cs.CL cs.SD eess.AS
An Exploration of Self-Supervised Pretrained Representations for End-to-End Speech Recognition
Carnegie Mellon University(卡内基梅隆大学);Yahoo Japan Corporation(雅虎日本公司);Northwestern Polytechnical University(西北工业大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Academia Sinica(中央研究院);Johns Hopkins University(约翰斯·霍普金斯大学);National Taiwan University(国立台湾大学)
语音数据的自监督预训练已经取得了很大的进展。从大量的非转录数据中学习到语音信号的高保真表示,并显示出良好的性能。最近,有几项工作专注于评估各种任务的自监督预训练表示的质量,而没有域限制,例如SUPERB。然而,这样的评价并没有提供一个全面的比较,许多ASR基准语料库。在本文中,我们重点关注预训练语音表示的一般应用,以及高级端到端自动语音识别(E2 E-ASR)模型。我们选择了几个预训练的语音表示,并在各种开源和公开可用的语料库上为E2 E-ASR提供实验结果。在不对后端模型架构或训练策略进行任何修改的情况下,一些使用预训练表示的实验,例如,WSJ、WSJ 0 - 2与HuBERT的混合,达到或超过当前最先进的(SOTA)识别性能。此外,我们还进一步探索了预训练表示是否有效的更多场景,例如跨语言或重叠语音。脚本,配置和训练模型已经在ESPnet中发布,让社区重现我们的实验并改进它们。
2021-10-09 cs.CL cs.SD eess.AS
Towards Zero-Shot Code-Switched Speech Recognition
Carnegie Mellon University(卡内基梅隆大学);Johns Hopkins University(约翰斯·霍普金斯大学);University of Edinburgh(爱丁堡大学);Indian Institute of Technology Bombay(印度理工学院孟买分校)
在这项工作中,我们试图建立有效的代码切换(CS)自动语音识别系统(ASR)下的zero-shot设置没有转录CS语音数据可用于训练。以前提出的框架,有条件地分解成其组成单语部分的双语任务是一个很有前途的起点,有效地利用单语数据。然而,这些方法需要单语模块来执行语言分割。也就是说,每个单语模块必须同时检测CS点并转录一种语言的语音片段,同时忽略其他语言的语音片段-这不是一项简单的任务。我们建议简化每个单语模块,允许他们不加区别地用单语脚本(即音译)转录所有语音片段。这种简单的修改将CS点检测的责任传递给后续的双语模块,其通过考虑多个单语音译以及外部语言模型信息来确定最终输出。我们将这种基于音译的方法应用于端到端的可区分神经网络,并在普通话-英语SEAME测试集上证明了其对zero-shot CS ASR的有效性。
2022-11-09 cs.CL cs.SD eess.AS
Steering Speech-Language Models: Training-Free Task Specialization via Contrastive Activation Addition
Univ Toulon, Aix Marseille Univ, LIS, CNRS(土伦大学,艾克斯-马赛大学,LIS,法国国家科学研究中心);Mila – Quebec AI Institute(Mila – 魁北克人工智能研究所);Idiap Research Institute(Idiap 研究所);Sapienza University of Rome(罗马大学);Brno University of Technology(布尔诺理工大学);pyannoteAI(pyannoteAI 公司);Concordia University(康考迪亚大学);CNRS, ILLS(法国国家科学研究中心,ILLS)
提出免训练的对比激活添加(CAA)协议,从少量带标签语音样本中为SpeechLLMs推导引导向量,在推理时增强目标语音任务,与提示结合可提升ASR、ER等任务性能,并支持跨域迁移和脚本归一化。
2026-10-06 cs.CL eess.AS
Discovering Phonetic Inventories with Crosslingual Automatic Speech Recognition
Center of Language and Speech Processing, The Johns Hopkins University(约翰斯·霍普金斯大学语言与语音处理中心);Human Language Technology Center of Excellence, The Johns Hopkins University(约翰斯·霍普金斯大学人类语言技术卓越中心);Multimedia Computing Group, Delft University of Technology(代尔夫特理工大学多媒体计算组);Department of Electrical and Computer Engineering, University of Illinois(伊利诺伊大学电气与计算机工程系)
数据采集的高成本使得自动语音识别(ASR)模型训练对于大多数现有语言来说都是有问题的,包括甚至没有书面脚本的语言,或者电话库存仍然未知的语言。过去的工作探索了多语言培训,迁移学习以及零样本学习,以便为这些低资源语言构建ASR系统。虽然已经表明,从多种语言中汇集资源是有帮助的,但我们还没有看到ASR模型成功应用于训练过程中看不到的语言。将ASR从可见语言适应为不可见语言的关键一步是创建不可见语言的电话库存。我们工作的最终目标是在没有任何语言知识的情况下,以无监督的方式建立一种在训练过程中看不见的语言的电话库存。在本文中,我们1)调查不同因素的影响(即,模型架构、音素定位模型、语音表示类型); 2)提供对哪些音素在语言间传递良好以及哪些音素在语言间传递不好的分析,以便理解自动音素清单创建的局限性和进一步改进的领域;以及3)呈现以无监督方式构建未见过语言的音素清单的不同方法。为此,我们对一组13种语音不同的语言和几种深入的分析进行了单,多和跨语言实验。我们发现了一些通用的电话令牌(IPA符号),它们在跨语言方面得到了很好的识别。通过对结果的详细分析,我们得出结论,独特的声音,相似的声音,和音调的语言仍然是一个主要的挑战,语音库存发现。
2022-01-28 cs.CL cs.SD eess.AS
Personalized Automatic Speech Recognition for a Dysarthric and Tracheostomic Speaker using Artificial Conversations
针对一位捷克语气管造口及严重构音障碍说话人,本文提出基于Whisper Base的多阶段微调ASR系统,利用人工对话协议收集的33小时数据,实现字符错误率相对降低50%,证明严重受损语音也可获得有效识别。
2026-10-05 cs.AI cs.CL cs.HC
Spoken DialogSum: An Emotion-Rich Conversational Dataset for Spoken Dialogue Summarization
Center for Language and Speech Processing(语言与语音处理中心)
Spoken DialogSum是一个用于语音对话摘要的富有情感的对话数据集,通过结合语音、摘要和非语言线索,提升情感摘要的生成效果。
2025-12-17 cs.AI cs.CL cs.LG
Can large audio language models understand child stuttering speech? speech summarization, and source separation
Department of Computer Science, University of Florida, Gainesville, FL, USA(佛罗里达大学计算机科学系);Department of Computer Science, Lebanese American University(黎巴嫩美国大学计算机科学系)
本研究评估大型音频语言模型在儿童口吃语音上的源分离与摘要能力,发现其性能受场景影响,并为临床应用提供指导。
2025-10-21 cs.CL cs.SD eess.AS
BanglaVeilGuard: Cross-Script Safety Benchmarking and Lightweight Guardrails for Bangla Large Language Models
BRAC University(BRAC大学)
针对孟加拉语LLM跨脚本安全评估难题,本文提出BanglaVeilGuard基准与轻量提示防护,可降低攻击成功率,提升不安全请求召回率,但存在方言及带噪良性提示过度拒绝的问题。
2026-08-25 cs.CL cs.CR
Nwāchā Munā: A Devanagari Speech Corpus and Proximal Transfer Benchmark for Nepal Bhasha ASR
本文介绍了一个新的5.39小时手动转录的达兰萨拉语音语料库,并建立首个基于脚本保留的声学建模基准,探讨近邻跨语言转移在低资源ASR中的有效性。
2026-03-30 cs.AI cs.CL cs.SD
Benchmarking Akan ASR Models Across Domain-Specific Datasets: A Comparative Evaluation of Performance, Scalability, and Adaptability
University of Ghana(加纳大学);University of Oulu(奥卢大学);Expeditors International Inc.(Expeditors国际公司);University of Ghana Health Service(加纳大学卫生服务处)
本研究通过四个多领域阿肯语语音语料库对七种基于Whisper和Wav2Vec2的ASR模型进行基准评测,揭示其领域依赖性及错误行为差异,并提出领域适应、自适应路由和多语言训练等改进方向。
2025-07-03 cs.CL cs.LG cs.SD
Building Community-Centred NLP Resources for Puno Quechua
University of Cambridge (UK)(剑桥大学(英国));Stanford University (USA)(斯坦福大学(美国));ERTIM - Inalco (France)(ERTIM - Inalco(法国))
通过参与式设计收集66小时语音数据,微调Whisper-base等模型,首次为普诺克丘亚语建立ASR基准并开源所有资源。
2026-05-27 cs.CL cs.DB cs.HC
WAXAL: A Large-Scale Multilingual African Language Speech Corpus
Google Research(谷歌研究);University of Ghana(加纳大学);Digital Umuganda(数字乌姆乌甘达);Addis Ababa University(亚的斯亚贝巴大学);Makerere University(Makerere大学);Loud and Clear Comm. Ltd.(清晰广播有限公司);Media Trust Ltd.(媒体信托有限公司);Gates Foundation(比尔及梅琳达·盖茨基金会);AIMS Senegal(塞内加尔AIMS)
WAXAL是一个大规模多语言非洲语音数据集,旨在通过提供24种语言的语音数据促进语音技术的公平发展和语言数字化保存。
2026-03-02 cs.AI cs.CL eess.AS