电气工程与系统科学 > 音频与语音处理
[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
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。
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.