- 博客(276)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 LaTeX与Overleaf快速上手教程——基于Interspeech 2026模板的学术论文排版指南
LaTeX是一种基于TeX的排版系统，特别适合撰写包含复杂数学公式、表格和引用的学术论文。与Word不同，LaTeX采用"所写即所得"的方式——你编写带有标记的纯文本，系统自动生成格式精美的PDF文档。Overleaf是一个在线LaTeX编辑器，无需本地安装任何软件。它提供实时预览、协作编辑、版本控制和丰富的模板库。访问地址：https://www.overleaf.com。
2026-01-03 11:06:20
652
原创 SoraWatermarkCleaner 完整安装教程：Windows 与 Linux 双系统指南
SoraWatermarkCleaner 是一个基于 Streamlit 的 Web 应用，用于去除 Sora AI 生成视频中的水印。项目使用 Python 开发，通过 uv 包管理器进行依赖管理，提供简洁直观的用户界面。项目地址。
2025-12-21 10:19:07
636
原创 Sora 提示词完全撰写指南
Sora提示词撰写指南摘要 本指南系统介绍了AI视频生成工具Sora的提示词撰写方法，核心采用剧本式写作思路。提示词结构分为五大层次：角色设定（15%）、场景环境（15%）、动作序列（40%）、对话交互（15%）和风格标签（15%）。 关键要点包括： 角色系统需明确定义形态变化和外观细节 对话需标注说话动词和情绪副词（如"shouts firmly"） 动作描写遵循"基础→细节→连续→结果"的递进结构 必须指定对话语言（如"Dialogue in Manda
2025-12-17 14:16:30
858
原创 用“循序渐进+分班教学”提升口齿不清者的语音识别
摘要 本文提出一种结合课程学习和多流架构的构音障碍语音识别方法。针对构音障碍语音数据稀缺且个体差异大的问题，研究采用从易到难的课程学习策略，先训练高可懂度语音，逐步过渡到极低可懂度语音。同时设计多流架构，为不同可懂度群体建立专用模型，通过决策层融合提升整体性能。实验表明，该方法在UASpeech数据集上实现10.47%的错误率降低，且所有子群体均得到均衡改善，解决了传统方法"顾此失彼"的问题。研究为低资源差异化语音识别提供了新思路，兼具技术创新和人文关怀价值。
2025-09-23 14:35:01
192
原创 探索生成式纠错在构音障碍语音识别中的应用
这篇论文探索了生成式纠错在构音障碍语音识别中的应用。研究提出两阶段方法：先用Whisper模型生成多个候选转录，再通过大语言模型(Flan-T5)选择最优结果。实验表明，该方法在开发集上将词错误率从11.6%降至6.4%。创新点在于利用语言模型分析ASR的多候选输出，并通过多样性选择算法提升效率。研究发现该方法对短语识别效果显著，但对单个词识别改进有限，为未来研究指明了方向。该技术有望提升语音助手对构音障碍用户的理解能力，具有重要的无障碍应用价值。
2025-09-23 14:33:54
214
原创 用AI帮“说话困难”的人发声：这篇Interspeech论文做到了！
这篇论文最打动人的地方，不仅仅是它在技术上的精巧设计——教师-学生架构 + 渐进式学习，真正让它脱颖而出的是其背后的人文温度。AI 不只是追求“更好听”的语音；更是要帮助那些“被沉默”的人重新获得表达的权利；技术的终极目标，是服务于每一个独特而珍贵的个体。通过“知识锚定”，AI学会了忽略表面的混乱，抓住内在的本质；通过“课程学习”，它掌握了从碎片中重建完整的能力。这不仅是机器的学习过程，某种程度上，也是人类理解彼此的过程。过去，想要保留自己的声音，必须在生病前就录下大量语音（称为“声音银行”）
2025-09-23 14:32:36
105
原创 公平性视角下的运动障碍语音合成：F5-TTS在病理性语音克隆中的偏见研究
运动障碍语音合成的公平性挑战：F5-TTS在病理语音克隆中的偏见研究 这项发表在Interspeech 2025的研究首次系统评估了AI语音合成技术在运动障碍性构音障碍（dysarthria）领域的公平性问题。研究人员使用先进的F5-TTS模型生成不同严重程度的病理语音，发现系统存在显著偏见：AI会无意识地"美化"重症患者的发音（ΔWER偏差达0.52），导致其语音特征失真，而轻症患者受益更多。研究创新性地引入机器学习中的公平性指标（PD/DI），构建了包含可懂度、说话人相似性和韵律一致
2025-09-23 14:23:24
96
原创 细致调优Parakeet-TDT：在Speech Accessibility挑战赛中实现口吃语音识别新突破
日本丰桥技术科学大学团队在Interspeech 2025的Speech Accessibility挑战赛中，通过精细调优Parakeet-TDT模型，将构音障碍语音识别的词错误率从17.82%降至8.11%。研究采用数据切割扩容、冻结策略探索、多GPU训练及模型融合等创新方法，显著提升系统性能。该工作不仅展示了大规模通用模型在特殊语音识别中的优势，还为改进方向提出了动态冻结、重复语音处理等潜在创新点，为语音无障碍技术发展提供了重要参考。
2025-09-23 14:15:30
462
原创 改善构音障碍者语音清晰度的新方法：用离散语音单元+扩散模型实现高效语音转换
本论文提出了一种基于离散语音单元和条件流匹配(CFM)的新方法，用于改善构音障碍患者的语音清晰度。该方法首先使用WavLM模型提取语音特征并离散化为512个单元，去除冗余信息；然后通过CFM模型将离散单元转换为清晰语音的梅尔频谱，最后用声码器输出自然语音。实验表明，该方法在词错误率(WER)和主观评分(MOS)上显著优于传统方法，且训练效率更高，仅需少量目标说话人数据即可适配。这项研究为构音障碍患者的语音辅助提供了更高效的解决方案，具有重要的临床应用价值。
2025-09-23 09:30:42
414
原创 客观与主观评估扩散模型在构音障碍语音增强中的应用
摘要 本研究评估了扩散模型在构音障碍语音增强中的应用效果。针对UASpeech和TORGO数据集，对比了Noisereduce、SGMSE和StoRM三种方法，通过Whisper-Turbo的识别错误率（CER）和人类主观评分（MOS）进行双重评估。结果显示，扩散模型（SGMSE）显著提升了语音主观质量（MOS提升约1分），但对ASR识别准确率产生负面影响：在零样本测试中，传统方法Noisereduce效果最佳（CER降低40%）；微调Whisper后，原始语音识别效果反而优于增强语音。研究表明，语音增强可
2025-09-23 09:08:33
256
原创 面向运动障碍患者的语音识别新突破：零样本实时专家混合自适应方法详解
本文提出了一种面向构音障碍患者的零样本实时语音识别方法，通过专家混合模型(MoE)和动态路由网络实现个性化适配。该方法创新性地结合医学知识指导专家分工，并引入KL散度损失增强专家多样性。实验表明，在UASpeech数据集上，相比基线系统绝对词错误率降低1.34%，处理速度提升7倍，尤其对极低可懂度患者效果显著。这项技术无需历史数据即可实现实时自适应，为运动障碍患者的语音交互提供了可行解决方案。研究还探讨了未来可能的扩展方向，如多模态融合和轻量化部署。
2025-09-23 08:56:15
275
原创 病理语音识别新突破：让机器听懂“不标准”的说话
本文提出了一种病理感知的语音编码器和数据增强方法，显著提升了语音识别系统对病理语音的理解能力。关键创新包括： 提出病因特异性代码本的BEST-RQ预训练方法，使模型能针对性学习不同病因导致的语音特征差异 采用多语料库预训练策略，结合大规模健康语音和儿童语音数据 开发语义相似性增强方法，通过对比学习优化模型性能 实验结果显示，该方法在Speech Accessibility Project数据集上实现13.2%的词错误率下降，特别是在ALS和脑瘫患者语音识别上表现突出。研究为构建更具包容性的语音识别系统提供了
2025-09-22 15:09:27
164
原创 用AI听懂“不清晰”的声音：个性化语音识别新突破
德国与韩国团队在Interspeech 2025发表突破性研究，提出针对构音障碍患者的个性化语音识别方案。通过Whisper模型+AdaLoRA微调架构，结合x-vector说话人嵌入和LLM生成的合成语音数据，在Speech Accessibility Project数据集上实现WER从12.31降至7.47（↓39.5%）。关键技术包括：利用Parler-TTS模拟病理语音、Phi-3生成语义增强文本、动态过滤低质量合成样本。该方案首次实现轻量级个性化适配，为帕金森、ALS等患者提供
2025-09-22 15:07:49
188
原创 面向残障与老年群体的隐私保护语音识别：联邦学习正则化新突破
我们先来理解几个核心概念。方法在 UASpeech 上 WER ↓在 DementiaBank 上 WER ↓参数正则化嵌入正则化损失正则化（本文）三者联合-0.59% abs-0.59% abs👉 所有正则化方法均优于基线 FedAvg，且改进具有统计显著性！👉 损失级正则化表现最佳，说明“用全局模型指导本地输出”是非常有效的策略。👉 组合使用三种方法还能进一步提点，证明它们互补。这篇论文的价值不仅在于技术上的系统性探索，更在于它关注了一个长期被忽视的群体——言语障碍者和认知衰退老人。
2025-09-22 15:06:09
141
原创 用“模型融合”提升语音识别准确率：让言语障碍者的声音被听见
摘要： 本研究提出利用模型融合技术提升语音识别系统对言语障碍者的适应性。针对中风、脑瘫等患者语音特征的高度个体化差异，研究对比了三种融合策略：单轨迹平均(MAST)、多轨迹平均(MAcT)和选择性融合(SMAcT)。实验基于Whisper-large-v3模型和Speech Accessibility Project数据集，结果显示SMAcT方法最优，使词错误率(WER)相对下降12%，长语音识别提升16.2%。该方法在小样本场景同样有效，1小时数据下WER降低10.4%。研究揭示了模型融合在医疗语音识别中
2025-09-22 14:58:44
150
原创 让AI听懂“说不清楚”的人：用语音转换技术改善罕见语言中的运动性构音障碍识别
摘要（149字） 本研究提出一种跨语言语音转换方法，解决非英语构音障碍患者语音识别难题。通过英语构音障碍数据训练语音转换模型（UUVC），将其应用于健康人的西班牙语/意大利语/泰米尔语语音，生成"伪病人语音"用于增强多语言ASR模型训练。实验显示，结合韵律特征转换使字符错误率最高降低32.9%（西班牙语），且AI分类器验证生成语音更接近真实病理特征。该工作首次实现零样本跨语言病理语音生成，为罕见语言障碍者提供了可行的技术方案，相关代码已开源。 创新点 首创跨语言构音障碍语音迁移框架 验证
2025-09-22 14:36:40
91
原创 面向可解释性的时间动态评估：让AI听懂“口齿不清”的言语
可解释的构音障碍语音评估新突破 最新研究提出三阶段框架实现构音障碍语音的智能评估：1）Whisper模型计算整体清晰度评分，与专家评估高度一致；2）利用时间戳定位错误发生时段；3）通过音素比对分类错误类型。实验显示，该系统能准确识别70%的发音错误，尤其擅长检测替换和删除类错误。研究还构建了首个带时间标记的专业标注数据集，为后续研究奠定基础。未来可结合音素识别和韵律分析提升性能，具有重要临床价值。这项发表于Interspeech 2025的成果，标志着AI辅助言语康复向精准化、个性化迈出关
2025-09-22 10:01:50
198
原创 用AI重建失语者的声音：零样本与微调TTS大比拼
摘要： 研究探讨AI语音重建技术如何帮助失语者恢复个性化声音。通过对比微调与零样本TTS模型在五种语音数据场景下的表现，发现微调模型（即使仅1小时语音）效果最佳，但零样本技术对异常语音也有一定适应性。创新性地提出用患者当前不清晰发音作为"语音提示"来控制合成语音的语调，实验证实该方法能显著保留用户原始语调特征（SSIM提高29.3%）。研究强调开放协作平台的重要性，为未来AAC系统开发提供了新思路，包括免打字输入、跨语言迁移等潜在方向。
2025-09-22 09:42:35
309
原创 利用扩散模型重建口齿不清的语音：DiffDSR详解与实验复现指南
摘要： DiffDSR 提出了一种基于潜在扩散模型的口齿不清语音重建技术，通过三大模块协作实现高可懂度与说话人身份保留：(1) 内容编码器（WavLM提取音素特征）；(2) 说话人身份编码器（结合EnCodec与上下文学习）；(3) 扩散生成器（WaveNet+条件控制）。实验表明，在UASpeech数据集上，该方法显著提升重度患者语音可懂度（如M12患者从7.4%提升至34.6%），且MOS说话人相似度得分最优。未来可拓展多模态输入、轻量化部署等方向。 （149字）
2025-09-21 14:44:27
567
原创 CBA-Whisper：用“聪明训练法”让AI听懂口齿不清的语音
不改动原始模型的大部分权重；只在关键层插入一些轻量级的小矩阵（A 和 B），用来调整模型行为；而且这些矩阵的“复杂度”（秩 rank）是自动分配的——重要的层给更多资源，不重要的少给。这就像是给一辆豪车加装导航仪，而不是换发动机，既省钱又高效。参数高效 + 自适应资源分配相比全量微调，AdaLoRA 显存占用更低，适合普通GPU训练；同时它的“智能预算分配”机制让性能更优。提出 CBA 训练框架：将课程学习 + AdaLoRA 结合，实现小数据下的高性能微调。构建自动化数据筛选机制。
2025-09-21 09:13:42
231
原创 用AI修复失语者的声音：大模型如何帮助渐冻人重新“说话”？
AI语音重建技术为构音障碍患者带来新希望。爱丁堡大学研究团队首次尝试使用Parler TTS大模型，通过22位患者23小时病态语音和22位健康者配对数据，训练AI"修复"模糊语音。实验显示模型能部分还原清晰声音并保留个人特征，但存在输出不稳定、提示控制弱等挑战。尽管当前效果有限，这项研究为无需提前录音的声音重建开辟了新路径，未来需改进控制机制、增加数据量并建立更精准的评估体系。这项工作标志着AI辅助医疗的重要进展，为语言障碍患者重获自然交流能力带来了曙光。
2025-09-20 15:06:38
173
原创 面向口齿不清者的语音识别新突破：用大模型拯救“听不懂”的声音
面向构音障碍患者的语音识别新突破：大语言模型显著提升识别准确率 国际语音研究团队在Interspeech 2025发表最新成果，通过将大语言模型(LLM)融入语音识别系统，显著改善了对构音障碍(dysarthria)患者语音的识别效果。研究表明： 传统语音识别（如CTC模型）对构音障碍语音的词错误率(WER)高达50-54%，Whisper模型降至38-40%。 引入LLM解码器后，BART模型将WER降至30-32%，而Whisper-Vicuna组合更将WER降低至21-26%。 关键优势：LLM能有效
2025-09-20 09:40:31
191
原创 机器听懂“口齿不清”的人：一种更贴近人类判断的ASR评估新方法
摘要： 伊利诺伊大学团队提出新型ASR评估方法，解决传统WER指标对构音障碍语音的不公平评判。研究融合自然语言推理（NLI）、语义相似度和语音相似度三个维度，构建与人类判断相关性达0.89的综合评分体系。实验表明，经构音障碍数据微调的wav2vec模型在重度障碍语音上表现最优，而Whisper在轻度障碍语音更佳。该研究突破了"字字精准"的传统思维，转向"意图理解"的核心目标，为无障碍语音技术发展提供了更人性化的评估框架。
2025-09-20 08:57:31
71
原创 用自训练让Whisper听懂“口齿不清”的人：一篇关于失语症语音识别的深度解读
南开大学团队提出一种创新方法，通过自训练改进Whisper模型对构音障碍语音的识别能力。该方法采用"老师-学生"迭代训练模式，结合语音分割优化策略，在SAP挑战赛中取得词错误率7.47%的优异成绩（排名第二）。研究证明，通过3轮自训练并严格控制数据质量，能显著提升模型对非标准语音的适应性，为解决语音无障碍技术难题提供了新思路。该成果不仅展示了Whisper在特殊场景的强大潜力，也为构建更包容的智能语音系统指明了方向。
2025-09-19 15:29:56
145
原创 改善口齿不清者的语音识别：一种无需标注数据的节奏与声音转换新方法
瑞士Idiap研究所和洛桑联邦理工学院的研究团队提出了一种改善口齿不清者语音识别的新方法。该方法通过"节奏+声音"双重转换，将构音障碍患者的语音转化为接近标准发音的版本，显著提升语音识别准确率。研究采用音节级节奏建模调整语速，结合kNN-VC技术改变声音特征，完全无需人工标注数据。实验表明，该方法使传统ASR系统的词错误率下降近半，尤其对重症患者效果明显。有趣的是，该方法对Whisper等大型预训练模型效果有限，说明大模型已具备较强适应性。这项研究为开发无障碍语音技术提供了新思路，体现了
2025-09-19 09:13:49
155
原创 合成“口吃”语音能替代真实患者录音吗？一项关于中文障碍语音识别的新研究
AI生成的“口吃语音”虽然听起来像，但还不够真。它提醒我们，在追求技术效率的同时，不能忘记每一个声音背后的独特生命体验。真正的无障碍沟通，不只是“听懂一句话”，更是“理解一个人”。也许未来的某一天，当我们走进医院，能看到一位老人对着平板电脑缓缓地说：“帮我打个电话给女儿。”而AI立刻响应：“好的，正在为您拨号。那一刻，技术不再是冷冰冰的代码，而是连接人心的桥梁。而这，正是这篇研究最深远的意义所在。
2025-09-19 08:57:31
638
原创 减少过拟合：用多任务学习提升语音基础模型在构音障碍检测中的表现
摘要（149字）： 亚利桑那州立大学团队提出多任务学习结合梯度投影技术，解决语音基础模型在小规模构音障碍数据集上的过拟合问题。该方法让模型同时学习语音识别（ASR）和疾病检测任务，通过任务特定梯度投影协调参数更新方向，确保ASR任务主导训练过程。实验显示，该方案在本地测试集准确率达77.14%，跨数据库测试最高提升13.4%，显著优于单任务学习。研究证明复杂任务引导简单任务的策略能有效提取稳健病理特征，为临床言语障碍筛查提供新思路。
2025-09-18 09:49:21
50
原创 基于语音合成的数据增强在独立说话人构音障碍严重程度分类中的应用
摘要 本文提出利用语音合成技术进行数据增强，以解决独立说话人构音障碍严重程度分类中的数据稀缺问题。研究首次采用零样本文本转语音（xTTS）和语音转换（Hierspeech++）两种方法生成人工构音障碍语音，并配合Whisper+ResNet分类模型。实验表明，在韩国构音障碍数据集上，这两种方法分别将平衡准确率提升至约67%和66%，显著优于传统方法。研究发现，语音转换生成的数据质量更稳定，而文本转语音虽潜力更大但存在波动性。最佳增强比例为1:1（原始/合成数据），该方法特别有助于改善对重度病例的识别。研究为
2025-09-18 09:24:02
107
原创 基于文本与声学特征的渐冻症言语障碍严重程度分类研究
本研究探索了基于声学和文本特征的ALS患者言语障碍严重程度自动分类方法。通过47名患者的2280段多语言语音数据，研究比较了MFCC、openSMILE等声学特征与LASER、LaBSE等文本嵌入模型的表现。结果显示：声学特征在精细分类（5类）中表现更优（51.15% F1），而文本特征在粗略分类（2类）接近声学结果（85% F1）。融合两类特征后取得最佳效果（5类53.25% F1），证实声音和文本携带互补信息。该研究为开发客观、自动化的ALS言语评估系统提供了新思路。
2025-09-18 09:07:07
506
原创 语音逆映射新突破：结合鼻音信息提升声道变量预测
从语音信号中还原出这些声道变量。换句话说，就是让计算机“听”一段语音，然后“画”出嘴唇、舌头、软腭等器官是如何运动的。这项技术在语音识别、语音合成、语音病理分析等领域都有广泛应用。帮助失语症患者通过语音重建他们的发音动作改进语音合成系统，让合成语音更自然研究语言障碍患者的发音机制传统的语音逆映射系统主要关注口腔运动（oral TVs），也就是嘴唇、舌头等器官的运动。但最近的研究发现，鼻音信息（nasalance）也对语音逆映射有重要影响。首次将鼻音信息（nasalance）纳入语音逆映射模型。
2025-09-16 14:40:16
80
原创 从肌电信号预测发音动作，实现无声语音合成的新突破
南加州大学等机构研究人员提出新型肌电信号(EMG)语音合成方法，通过分析面部和颈部肌肉电信号预测发音动作特征(EMA)，再转换为可听语音。研究采用CNN-Transformer混合模型，实现了发音动作(0.9相关系数)和响度的高精度预测，同时发现仅需4个关键电极即可保持良好的合成效果。该方法相比传统端到端模型更具可解释性和可控性，为语音障碍患者康复和新型人机交互提供了新思路。论文发表于Interspeech 2025会议。
2025-09-16 14:26:03
81
原创 用M型超声波研究声带振动：声带功能评估的新方法
文章摘要： 法国研究团队提出利用M型超声波（M-mode Ultrasound）无创评估声带振动的新方法，相关成果将在Interspeech 2025发表。该方法通过500Hz高采样率捕捉声带运动，测得的基本频率（f0）与传统语音分析结果高度一致（相关系数0.999）。相比喉镜检查，M型超声具有无创、快速和低成本优势，未来有望用于甲状腺术后声带麻痹监测。目前局限包括250Hz采样限制（高音调需提升至2000Hz）及缺乏临床验证，但技术改进后将拓展临床应用场景。
2025-09-16 09:50:46
81
原创 口吃是“动态疾病”？用数学模型理解流畅与口吃之间的转换
动态系统”听起来很高深，其实它描述的是随时间变化的事物。比如，一个钟摆的摆动、天气的变化、甚至你的心跳，都可以用动态系统来建模。某些疾病并不是因为器官本身坏了，而是因为它的运行参数发生了变化。比如，心脏跳动太快或太慢，可能不是心脏坏了，而是控制心跳的系统参数偏离了正常范围。在达芬振子模型中，有一个关键的控制参数叫做“激发频率”（ω）。它就像一个“触发开关”，当它达到某个临界值时，系统就会从一种状态跳转到另一种状态。口吃不是发音系统“坏了”，而是它的运行参数“跑偏”了。
2025-09-16 09:44:48
61
原创 从无声视频中“听见”声音：用视觉语言模型推理音频描述
AI学会"脑补"无声视频中的声音：视觉语言模型突破跨模态推理 最新研究提出SVAD任务，让AI仅凭视觉信息推理音频描述。通过构建CoT-AudioCaps数据集和思维链训练策略，研究人员成功提升了视觉语言模型在模态不匹配任务中的表现。实验显示，经过CoT-SFT训练的VideoLLaMA2模型能将音频描述准确率提升21.8%。这项突破不仅推动了多模态AI发展，还为视频自动配音提供了新思路，使AI向更接近人类认知的方向迈进。
2025-09-11 09:12:34
166
原创 用更少的数据识别更多情绪：低资源语言中的语音情绪识别新方法
这项研究为低资源语言的语音情绪识别打开了一扇新的大门。通过引入对比学习和 BYOL 两种自监督学习方法，研究团队成功地在缺乏大量标注数据的情况下，显著提升了模型的情绪识别能力。这不仅为低资源语言的AI发展提供了新思路，也为构建更公平、更智能的情感识别系统奠定了基础。
2025-08-30 14:11:22
124
原创 多教师语言感知知识蒸馏：提升多语种语音情绪识别的新方法
本文提出了一种创新的多教师语言感知知识蒸馏方法（MTKD），用于提升多语种语音情绪识别效果。研究使用英语、芬兰语和法语三种语言的预训练教师模型，通过语言感知机制让学生模型动态选择最相关教师进行学习。实验表明，该方法在三种语言的情绪识别任务上均优于传统微调和知识蒸馏方法，特别是在英语数据集上达到72.9的加权召回率。该方法能有效捕捉跨语言情绪特征，但也存在计算开销较大等局限。这项研究为构建更智能的多语言语音交互系统提供了新思路。
2025-08-30 14:09:09
119
原创 通过数据蒸馏打破语音情感识别的资源壁垒
摘要（150字）： 2025年Interspeech会议研究提出基于数据蒸馏的语音情感识别（SER）框架，解决边缘设备的资源与隐私问题。该方法通过教师模型提取原始数据知识，生成小型合成数据集训练轻量化学生模型，在DEMoS数据集实验中，仅用28%数据量即实现74.9%的识别准确率，显著降低计算负载。技术优势包括资源节省（模型体积缩小）、隐私保护（无需原始数据）及跨模型迁移能力，为IoT设备部署高效SER系统提供新思路。未来可结合自监督模型进一步优化性能。
2025-08-30 14:02:03
154
原创 Meta-PerSER：让语音情绪识别“懂你的心”
Meta-PerSER是语音情绪识别领域的一项重要进展。它首次实现了基于元学习的听众个性化情绪识别，解决了传统SER系统忽略个体差异的问题。通过结合预训练语音模型和多种优化策略，Meta-PerSER在极少量标注数据下仍能实现高性能表现。未来，Meta-PerSER有望在个性化语音助手、心理健康监测、客户体验优化等多个领域发挥重要作用。如果你对情绪识别、个性化AI、元学习感兴趣，Meta-PerSER无疑是一个值得关注的研究方向。
2025-08-30 08:10:32
117
原创 HYFuse：用超球空间融合语音表示提升情绪识别
摘要：Interspeech 2025论文《HYFuse》提出创新语音情绪识别方法，通过超球空间融合两种语音表示——表示学习型(RLRs)和压缩型(CBRs)，实现当前最优性能。RLRs捕捉高层语调信息，CBRs提取低层声学特征，HYFuse框架利用超球空间的几何特性有效融合二者优势。实验显示，在CREMA-D和Emo-DB数据集上，该方法显著提升识别准确率，最高达76.15%和95.33%。该研究为语音情感计算提供了新思路，推动人机交互的情感理解能力发展。(149字)
2025-08-30 08:07:54
267
原创 语音情感识别中的跨语言无监督领域自适应方法详解
针对低资源语言的语音情感识别（SER）数据匮乏问题，研究者提出一种跨语言无监督领域自适应方法。该方法结合量化特征空间和信息损失机制（InfoLoss），通过英语等资源丰富语言的标注数据提升目标语言的SER性能，无需目标语言标注。核心创新包括：1）量化特征减少计算复杂度；2）InfoLoss保留关键情感信息；3）双重对齐（领域级+类别级）优化跨语言迁移。实验显示，该方法在台湾普通话数据集上F1值提升14.8%，优于现有技术，为低资源语言SER提供高效解决方案。
2025-08-30 07:50:40
75
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人