计算机科学 > 声音
[提交于 2025年8月11日
]
标题: 将ASR与LLMs结合用于构音障碍语音识别:自监督和生成方法的基准测试
标题: Bridging ASR and LLMs for Dysarthric Speech Recognition: Benchmarking Self-Supervised and Generative Approaches
摘要: 语音识别(ASR)由于发音体的失真和高变异性而面临挑战。 虽然自监督的ASR模型如Wav2Vec、HuBERT和Whisper表现出潜力,但它们在发音障碍语音中的有效性仍不明确。 本研究系统地评估了这些模型与不同的解码策略,包括CTC、seq2seq和LLM增强解码(BART、GPT-2、Vicuna)。 我们的贡献包括(1)对发音障碍语音的ASR架构进行基准测试,(2)引入基于LLM的解码以提高可理解性,(3)分析跨数据集的泛化能力,以及(4)提供不同严重程度下的识别错误见解。 研究结果表明,LLM增强的解码通过利用语言约束进行发音恢复和语法修正,提高了发音障碍语音的ASR性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.