研究人员开发了FLARE,一个旨在通过结合跨模态蒸馏和联合面部-唇部建模来提高唇语识别能力的新框架。该方法利用OpenAI的Whisper模型的表示作为教师信号来指导学习过程。FLARE采用双流架构,分析唇部运动和更广泛的面部动态,并在预训练期间结合辅助音频以增强跨模态对齐和视觉表示的鲁棒性。在LRS2、LRS3和WildVSR数据集上进行测试时,FLARE表现强劲,词错误率分别为11.7%、13.2%和34.3%,并显示出对视频分辨率和头部姿势变化的鲁棒性有所提高。 AI
影响 这项研究可能带来更准确、更鲁棒的自动语音识别系统,尤其是在嘈杂或视觉挑战性环境中。
排序理由 详细介绍特定任务新模型/框架的学术论文。[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 →