Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.02012

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02012 (cs)
[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

Authors:Zehua Liu, Xiaolou Li, Li Guo, Lantian Li, Dong Wang
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。
摘要: Visual Speech Recognition (VSR) transcribes speech by analyzing lip movements. Recently, Large Language Models (LLMs) have been integrated into VSR systems, leading to notable performance improvements. However, the potential of LLMs has not been extensively studied, and how to effectively utilize LLMs in VSR tasks remains unexplored. This paper systematically explores how to better leverage LLMs for VSR tasks and provides three key contributions: (1) Scaling Test: We study how the LLM size affects VSR performance, confirming a scaling law in the VSR task. (2) Context-Aware Decoding: We add contextual text to guide the LLM decoding, improving recognition accuracy. (3) Iterative Polishing: We propose iteratively refining LLM outputs, progressively reducing recognition errors. Extensive experiments demonstrate that by these designs, the great potential of LLMs can be largely harnessed, leading to significant VSR performance improvement.
主题: 计算机视觉与模式识别 (cs.CV) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2506.02012 [cs.CV]
  (或者 arXiv:2506.02012v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02012
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Lantian Li Mr. [查看电子邮件]
[v1] 星期二, 2025 年 5 月 27 日 21:00:12 UTC (397 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号