电气工程与系统科学 > 音频与语音处理
[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
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。
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.