FUSING ACOUSTIC INFORMATION INTO LARGE LANGUAGE MODELS FOR AUTOMATIC SPEECH RECOGNITION

828 篇文章

已下架不支持订阅

本文探讨了如何在大型语言模型(LLM)中融合声学信息,以提升自动语音识别(ASR)的性能。通过不确定性感知动态融合(UADF)方法,LLM在解码过程中结合声学信号,减少了数据不确定性,提高了误字率(WER),并适用于视听语音识别任务。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《IT’S NEVER TOO LATE: FUSING ACOUSTIC INFORMATION INTO LARGE LANGUAGE MODELS FOR AUTOMATIC SPEECH RECOGNITION》的翻译。

永远不会太迟:将声学信息融合到大型语言模型中进行自动语音识别

摘要

最近的研究已经成功地表明,在自动语音识别(ASR)输出的基础上,大型语言模型(LLM)可以成功地用于生成误差校正(GER)。具体地,LLM用于执行从ASR系统生成的N个最佳假设列表到预测的输出转录的直接映射。然而,尽管GER有效,但它引入了额外的数据不确定性,因为LLM是在不考虑语音信号中可用的声学信息的情况下训练的。在这项工作中,我们的目标是通过一种称为不确定性感知动态融合(UADF)的新型后期融合解决方案,在生成预测转录之前注入声学信息,从而克服这一限制。UADF是一种实现为自回归解码过程的多模态融合方法,分两个阶段工作:(i)它首先分析和校准token级LLM决策,以及(ii)然后动态同化来自声学模态的信息。从各种ASR任务中收集的实验证据表明,UADF在几个方面超越了现有的融合机制。它显著提高了误字率(WER),同时减轻了LLM中的数据不确定性问题,并解决了融合过程中单一模态所依赖的较差泛化

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值