计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月27日
]
标题: 利用大型语言模型进行视觉语音识别:模型扩展、上下文感知解码和迭代优化
标题: Leveraging Large Language Models in Visual Speech Recognition: Model Scaling, Context-Aware Decoding, and Iterative Polishing
摘要: 视觉语音识别(VSR)通过分析唇部运动来转录语音。最近,大型语言模型(LLMs)已被整合到VSR系统中,带来了显著的性能提升。然而,LLMs的潜力尚未得到充分研究,并且如何在VSR任务中有效利用LLMs仍处于未探索状态。本文系统地探讨了如何更好地利用LLMs进行VSR任务,并提供了三个关键贡献:(1)规模测试:我们研究了LLM规模对VSR性能的影响,确认了VSR任务中的规模定律。(2)上下文感知解码:我们增加了上下文文本以指导LLM解码,提高了识别准确性。(3)迭代优化:我们提出了迭代精炼LLM输出的方法,逐步减少识别错误。广泛的实验表明,通过这些设计,LLMs的巨大潜力可以被充分利用,从而带来显著的VSR性能提升。
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.