arXiv cs.AI· Chihiro Taguchi, \'Eric Le Ferrand, Hirosi Nakagawa, Hitomi Ono, Kanji Kato, Emily Prud'hommeaux, David Chiang·· 9 天前AI 评分22
预训练自监督语音模型能识别未见过的搭嘴音
Pretrained self-supervised speech models can recognize unseen consonants
AI 导读
研究对比微调后的 Wav2Vec2 和 HuBERT 在两种富含搭嘴音的 Khoisan 语言（G|ui 与 West !Xoon）上的表现，发现模型识别搭嘴音的准确率始终高于非搭嘴音，表明自监督学习可泛化到包括罕见音素在内的人类语音。
正文 · AI 翻译
摘要：现代预训练自监督自动语音识别模型在大规模音频数据上进行训练，将语音编码为上下文相关的表示。然而，它们的训练数据严重偏向高资源语言，来自低资源语言的数据很少，这引发了人们对类型学上罕见语音（例如主要见于科伊桑语言的搭嘴音）可能代表性不足的担忧。这引出了我们的核心研究问题：这些模型能否像识别其他语音一样准确地识别搭嘴音？为回答这一问题，我们在两种搭嘴音丰富的科伊桑语言（G|ui 和 West !Xoon）的数据上微调并比较了预训练自监督语音模型（Wav2Vec2 和 HuBERT）。我们的结果表明，微调后的模型识别搭嘴音的准确率始终高于非搭嘴音，这表明自监督能够实现对人类语音（包括罕见音素）的泛化。
| 评论： | 6 页，3 幅图，3 张表，发表于 Interspeech 2026 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.11542 [cs.CL] |
| （或 arXiv:2606.11542v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.11542 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Chihiro Taguchi [查看邮箱]
[v1]
2026 年 6 月 10 日星期三 01:07:32 UTC（162 KB）
[v2]
2026 年 10 月 8 日星期四 06:36:41 UTC（161 KB）
来源：arXiv cs.AI · arxiv.org