arXiv cs.CL· Solano Amadori·· 2 天前AI 评分31
Marimba:基于冻结 Qwen3-ASR 0.6B 特征的语音决策系统模型
Marimba: A System One Model for Speech
AI 导读
Marimba 是一个基于冻结 Qwen3-ASR 0.6B 特征的语音决策接口,可判断音频窗口内的词项存在、话轮结束和语种。在私有对话测试集上解码器 AUROC 为 0.80-0.92,公开朗读语音上为 0.92-0.97;Speech Commands 四分类准确率 0.93。
正文 · AI 翻译
摘要:语音应用需要在音频窗口内对术语是否存在、话轮是否结束以及语言做出判断。我们提出 Marimba,一个基于冻结的 Qwen3-ASR 0.6B 特征构建的、用于类型化语音决策的接口。词汇类问题使用 ASR 转录文本的零样本打分;非词汇类问题使用以问题为条件的头以及一个独立的第 18 层话轮结束读出器。语言识别使用 ASR 模型自身的语言分数。在私有对话测试集上,解码器 AUROC 为 0.80-0.92;在公开朗读语音上为 0.92-0.97。Speech Commands 四分类准确率为 0.93;二元词汇 ECE 至多为 0.08。个人信息检测将贪心转录文本传入一个私有的、精心构建的 PII 流水线,在合成的巴西葡萄牙语语音上达到条目级 F1 0.904(在参考转录文本上为 1.000)。第 12 层说话人读出器在 AMI 和 VoxConverse 上以 AUROC 0.966-0.980 检测说话人变化,高于 ECAPA 基线,并且比 pyannote 3.1 更准确地统计说话人数量(0、1、2 或 3+)。话轮结束读出器在 Smart Turn 自己的测试集上达到 AUROC 0.930,而 Smart Turn v3.2 为 0.982。在由下一位说话人标注的 ICSI 会议子集上,AUROC 为 0.716 对 0.712;配对置信区间包含零。
| 评论: | 12 页,4 幅图,4 张表。代码:此 https URL 权重:此 https URL |
| 主题: | 音频与语音处理(eess.AS);计算与语言(cs.CL);声音(cs.SD) |
| 引用为: | arXiv:2611.18330 [eess.AS] |
| (或 arXiv:2611.18330v1 [eess.AS] 为此版本) | |
| https://doi.org/10.48550/arXiv.2611.18330 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Solano Amadori Todeschini [查看电子邮件]
[v1]
2026 年 11 月 13 日星期五 15:44:18 UTC(318 KB)
来源:arXiv cs.CL · arxiv.org