English(EN) VIB-AVSR: Variational Information Bottleneck for Noise-Robust LLM-Based Audio-Visual Speech Recognition

新的VIB-AVSR方法增强了基于大语言模型的语音识别在嘈杂条件下的性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-30 04:00

研究人员推出了一种名为VIB-AVSR的新方法，用于增强视听语音识别模型。该方法将变分信息瓶颈层集成到大语言模型骨干中，以提高在嘈杂音频条件下的鲁棒性。VIB-AVSR旨在稳定表示，而无需更改模型架构或额外训练数据，并在各种噪声级别和类型下展示了更少的性能下降。 AI

影响这项研究可能带来在挑战性声学环境中更可靠的语音识别系统。

排序理由该集群包含一篇详细介绍一种新的视听语音识别方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Piyush Arora, Navlika Singh, Umberto Cappellazzo, Stavros Petridis, Maja Pantic · 2026-06-30 04:00

VIB-AVSR：用于噪声鲁棒大语言模型音视频语音识别的变分信息瓶颈

arXiv:2606.29632v1 Announce Type: cross Abstract: Audio-Visual Speech Recognition takes two input modalities, acoustic and visual streams, where visual information from lip movements aids recognition when audio is noisy. Recently, LLM-based AVSR models have emerged as a promising…