ASR非语言发声建模研究提出三种策略

2026年10月8日，arXiv平台Audio and Speech栏目发布一手研究论文《Beyond Words：ASR中非语言发声的有效建模》。研究针对自动语音识别（ASR）中非语言发声（NVs，如笑声、呼吸、咳嗽、哭声）的建模问题，提出三种数据中心策略：一是两阶段课程学习，先将模型映射到通用token，再在目标类别上微调；二是token间迁移，从高资源事件（笑声、呼吸）向稀有事件（哭泣）迁移；三是带类别平衡的语音转换增强。论文目前仅公开上述方法框架，未披露实验数据或进一步验证结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。