研究人员开发了一种无需额外数据或重新训练即可压缩语音基础模型的新方法。该方法利用k-means进行通道聚类，通过改变每层的聚类数量来探索混合稀疏性剪枝。在LibriSpeech上的实验表明，与基于幅值的剪枝相比，在HuBERT-large和Whisper-large-v3等模型上，即使在相当高的稀疏度下，词错误率（WER）也显著降低。 AI
影响 这项压缩技术可以实现大型语音模型在资源受限设备上的更高效部署。
排序理由 该集群包含一篇详细介绍模型压缩新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.11836v1 Announce Type: cross Abstract: This paper presents a novel data-free and training-free compression approach for speech foundation models using channelwise clustering via k-means. More fine-grained, mixed sparsity pruning by layer-level varying number of paramet…
This paper presents a novel data-free and training-free compression approach for speech foundation models using channelwise clustering via k-means. More fine-grained, mixed sparsity pruning by layer-level varying number of parameter clusters is also explored. Experiments conducte…