Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.14916

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.14916 (eess)
[提交于 2025年8月15日 ]

标题: 传音多语言语音识别系统用于MLC-SLM 2025挑战赛

标题: Transsion Multilingual Speech Recognition System for MLC-SLM 2025 Challenge

Authors:Xiaoxiao Li, An Zhu, Youhai Jiang, Fengjie Zhu
摘要: 本文介绍了由传音语音团队为MLC-SLM 2025挑战赛的Track 1开发的新型多语言自动语音识别(ASR)系统的架构和性能。 该系统包含三个关键组件:1)基于冻结的Whisper-large-v3的语音编码器,利用大规模预训练确保稳健的声学特征提取;2)使用Linear-ReLU-Linear变换机制的可训练适配模块,以有效对齐语音和文本表示;以及3)与可训练LoRA集成的冻结Qwen2.5-7B-Instruct大语言模型(LLM),用于优化上下文语言解码。 通过系统地结合预训练模型与任务特定微调,该系统在评估集的11种语言中实现了9.83%的词/字符错误率(WER/CER),并在全球参与者中排名第三。
摘要: This paper presents the architecture and performance of a novel Multilingual Automatic Speech Recognition (ASR) system developed by the Transsion Speech Team for Track 1 of the MLC-SLM 2025 Challenge. The proposed system comprises three key components: 1) a frozen Whisper-large-v3 based speech encoder, leveraging large-scale pretraining to ensure robust acoustic feature extraction; 2) a trainable adaptor module using Linear-ReLU-Linear transformation mechanisms to effectively align speech and text representations; and 3) a frozen Qwen2.5-7B-Instruct large language model (LLM) integrated with trainable LoRA for optimized contextual linguistic decoding. By systematically combining pretrained models with task specific fine-tuning, the system achieved a word/character error rate (WER/CER) of 9.83% across 11 languages in the evaluation set and ranked third place among global participants.
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 计算与语言 (cs.CL)
引用方式: arXiv:2508.14916 [eess.AS]
  (或者 arXiv:2508.14916v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.14916
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xiaoxiao Li [查看电子邮件]
[v1] 星期五, 2025 年 8 月 15 日 10:39:05 UTC (205 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.CL
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号