多语言LLM音素到字素研究降低WER至7.66%
Get the story
2026年10月8日，arXiv（Audio and Speech，一手）发表关于多语言语音识别中基于LLM的音素到字素（P2G）映射的研究。研究在十语言CV-Lang10基准上展开，针对语言感知生成与跨语言数据失衡问题，评估了DANP与简化SKM（S-SKM）等考虑S2P不确定性的鲁棒训练策略；其中S-SKM以蒙特卡洛近似避免P2G训练中基于CTC的S2P概率加权。结合鲁棒训练与低资源过采样，平均WER从10.56%降至7.66%。目前未见后续报道或独立验证。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Audio and Speech多语言语音识别中基于 LLM 的音素到字素映射研究
研究在十语言 CV-Lang10 基准上探索多语言 LLM 音素到字素（P2G）映射，以应对语言感知生成与跨语言数据失衡。论文评估 DANP 与简化 SKM（S-SKM）等考虑 S2P 不确定性的鲁棒训练策略，S-SKM 以蒙特卡洛近似避免 P2G 训练中基于 CTC 的 S2P 概率加权。结合鲁棒训练与低资源过采样，平均 WER 从 10.56% 降至 7.66%。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.