arXiv cs.AI· Shikhar Bharadwaj, Kwanghee Choi, Stephen McIntosh, Chin-Jou Li, Eunjung Yeo, Daisuke Saito, Nobuaki Minematsu, Shinji Watanabe, Jian Zhu, David Harwath, David R. Mortensen·· 3 天前AI 评分22
基于音系激活映射的语音音素分割与识别
Phone Segmentation and Recognition through Phonological Activation Mapping
AI 导读
研究者提出 SPAM（基于自监督语音模型的音系激活映射），将 S3M 每帧表示映射为清浊、鼻音等音系特征激活向量，并在其上添加识别头和分割头两个轻量、无需梯度下降的预测头。该方法仅需不到一分钟的音素转写数据，识别头可泛化到训练中未见过的音素，在多个数据集上取得强分割性能。该工作已被 SLT 2026 接收。
正文 · AI 翻译
作者：Shikhar Bharadwaj、Kwanghee Choi、Stephen McIntosh、Chin-Jou Li、Eunjung Yeo、Daisuke Saito、Nobuaki Minematsu、Shinji Watanabe、Jian Zhu、David Harwath、David R. Mortensen
摘要：音素分割与识别本质上是相互关联的任务，然而现代方法通常将它们分开建模。我们认为，语音结构已经潜在地存在于自监督语音模型（S3M）的表示中，因此只需引导它们即可解决这两个任务。我们利用基于 S3M 的音系激活映射（SPAM），它将每个 S3M 表示帧映射到一个音系特征激活向量，例如浊音性和鼻音性。在 SPAM 之上，我们引入了两个简单但有效的轻量级、无需梯度下降的预测头：一个识别头和一个分割头。我们的方法只需要不到一分钟的音标转写，并且识别头可以泛化到训练期间未见过的音素。在多种数据集上，我们的方法取得了强大的分割性能。
| 评论： | 被 SLT 2026 接收，源代码见 此 https URL |
| 主题： | 音频与语音处理（eess.AS）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG）；声音（cs.SD） |
| 引用为： | arXiv:2607.09020 [eess.AS] |
| （或 arXiv:2607.09020v2 [eess.AS] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.09020 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kwanghee Choi [查看电子邮件]
[v1]
2026年7月10日星期五 01:05:30 UTC（418 KB）
[v2]
2026年10月10日星期六 16:17:55 UTC（424 KB）
来源：arXiv cs.AI · arxiv.org