音素引导初始化提升低资源语音识别

研究者提出一种面向 LLM 语音识别的“音素引导初始化”方法：先在语音转音素（S2P）任务上预训练音频编码器、在音素转字形（P2G）任务上预训练 LLM，再将两部分拼接后针对目标 ASR 任务做端到端微调。 在日语（CSJ）、中文（AISHELL-1）以及 Common Voice 25.0 的鞑靼语、乌尔都语两项低资源语言上，该方法持平或优于级联 S2P-P2G 基线和未做 P2G 初始化的端到端模型。论文已被 IEEE SLT 2026 接收。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。