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 > eess > arXiv:2508.03937

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.03937 (eess)
[提交于 2025年8月5日 (v1) ,最后修订 2025年8月13日 (此版本, v2)]

标题: LCS-CTC:利用软对齐提高语音转录的鲁棒性

标题: LCS-CTC: Leveraging Soft Alignments to Enhance Phonetic Transcription Robustness

Authors:Zongli Ye, Jiachen Lian, Akshaj Gupta, Xuanru Zhou, Haodong Li, Krish Patel, Hwi Joo Park, Dingkun Zhou, Chenxu Guo, Shuhe Li, Sam Wang, Iris Zhou, Cheol Jun Cho, Zoe Ezzes, Jet M.J. Vonk, Brittany T. Morin, Rian Bogley, Lisa Wauters, Zachary A. Miller, Maria Luisa Gorno-Tempini, Gopala Anumanchipalli
摘要: 语音转录对于细粒度的语言分析和下游语音应用至关重要。虽然连接主义时间分类(CTC)由于其效率而被广泛用于此类任务,但在识别性能方面往往不足,尤其是在语音不清晰和不流畅的情况下。在本工作中,我们提出了LCS-CTC,这是一种用于音素级语音识别的两阶段框架,结合了感知相似性的局部对齐算法和约束的CTC训练目标。通过预测细粒度的帧-音素成本矩阵并应用修改的最长公共子序列(LCS)算法,我们的方法识别出高置信度的对齐区域,这些区域用于约束CTC解码路径空间,从而减少过拟合并提高泛化能力,这使得稳健的识别和无文本强制对齐成为可能。在LibriSpeech和PPA上的实验表明,LCS-CTC始终优于原始CTC基线,表明其在流畅和不流畅语音中统一音素建模的潜力。
摘要: Phonetic speech transcription is crucial for fine-grained linguistic analysis and downstream speech applications. While Connectionist Temporal Classification (CTC) is a widely used approach for such tasks due to its efficiency, it often falls short in recognition performance, especially under unclear and nonfluent speech. In this work, we propose LCS-CTC, a two-stage framework for phoneme-level speech recognition that combines a similarity-aware local alignment algorithm with a constrained CTC training objective. By predicting fine-grained frame-phoneme cost matrices and applying a modified Longest Common Subsequence (LCS) algorithm, our method identifies high-confidence alignment zones which are used to constrain the CTC decoding path space, thereby reducing overfitting and improving generalization ability, which enables both robust recognition and text-free forced alignment. Experiments on both LibriSpeech and PPA demonstrate that LCS-CTC consistently outperforms vanilla CTC baselines, suggesting its potential to unify phoneme modeling across fluent and non-fluent speech.
评论: 2025 ASRU 正确作者名单
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.03937 [eess.AS]
  (或者 arXiv:2508.03937v2 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.03937
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jiachen Lian [查看电子邮件]
[v1] 星期二, 2025 年 8 月 5 日 21:59:35 UTC (933 KB)
[v2] 星期三, 2025 年 8 月 13 日 18:58:04 UTC (933 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
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
eess

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