Common Voice
PulseAugur coverage of Common Voice — every cluster mentioning Common Voice across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
程序员因精神压力辞职，转而专注于Common Voice的语言翻译
作者因精神压力决定停止编程，现在正专注于Common Voice众包项目的翻译工作。他们正在将阿乔米语的Bandari方言进行翻译，目标是将其语言纳入该项目。由于方言差异以及其语言缺乏标准化的书写形式，作者独自承担这项翻译工作。
-
剪枝Whisper-small通过充当正则化器来提高ASR准确性
研究人员已经证明，神经网络剪枝可以作为自动语音识别（ASR）系统的正则化技术，而不仅仅是压缩方法。通过分析Whisper-small模型中不同组件的敏感性，他们发现剪枝特定层，如解码器自注意力或最后一个编码器层，实际上可以提高泛化能力并降低词错误率（WER）。这种方法允许更积极的压缩而不会显著损失准确性，表明剪枝可以成为一个有价值的架构设计工具。
-
BuzzASR发布100多款语言专用语音模型，性能超越Whisper
研究人员开发了BuzzASR，这是一套经过微调的、针对不同语言的100多款专用语音识别模型。这些模型基于Whisper架构，在许多语言上，特别是原始训练数据中代表性较低的语言上，其性能显著优于通用的Whisper Large V3模型。BuzzASR模型在27种语言的开源系统中达到了最先进的字符错误率，并引入了一种改进压缩率的分词器替换策略。
-
新的TTS流水线通过基于音素的增强功能改进ASR系统
研究人员开发了一个统一的流水线，用于生成合成语音以改进自动语音识别（ASR）系统。该流水线使用多语言文本到语音（TTS）模型F5-TTS，并带有语言ID条件。一种名为音素频率引导选择（PFGS）的新颖方法根据音素频率对候选句子进行排名，在阿拉伯语、法语、意大利语和葡萄牙语的实验中，其表现优于随机选择和仅真实数据训练。
-
语音克隆技术被重新用于匿名化，引发安全担忧
研究人员发现了一种无需重新训练即可将XTTSv2语音克隆模型重新用于说话人匿名化的方法。该模型在大量语音数据上训练而成，能够独立于说话人身份保留韵律结构，通过条件化伪说话人来实现语音转换。迭代优化策略在隐私和效用之间取得平衡，与七种欧洲语言中现有的匿名化方法相比，在隐私性和可懂度方面表现优异，语音质量也更胜一筹。
-
新基准比较了尼泊尔ASR的多语言模型
一项新研究使用标准化的微调协议，对尼泊尔自动语音识别（ASR）的六个多语言预训练模型进行了基准测试。研究发现，Whisper-Large-v3-Turbo 和 IndicWav2Vec 的表现相当，表明预训练中的语系接近性对于尼泊尔ASR可以与单纯的规模一样有效。研究还强调，与Whisper等自回归模型相比，CTC解码器在相似的准确度水平下提供了显著更快的性能，因此对于有延迟限制的应用来说是更可取的。这项工作为尼泊尔ASR提供了第一个…
-
OpenAI为API推出新的上下文感知转录模型
OpenAI已推出两个新的API转录模型：GPT-Live-Transcribe用于实时、低延迟音频，GPT-Transcribe用于异步任务。这两个模型都旨在更好地理解上下文，从而提高在各种语言、口音和嘈杂环境中的准确性。开发者可以提供上下文信息、关键词和语言偏好，以进一步提高转录质量。
-
ai-sage 发布 GigaAM Multilingual 语音模型
ai-sage 发布了 GigaAM Multilingual，这是一系列基于 Conformer 的基础模型。这些模型有 2.2 亿和 6 亿参数的变体，已在超过 70 种语言的 200 万小时以上语音数据上进行了预训练。它们针对自动语音识别 (ASR) 进行了微调，在俄语、哈萨克语、吉尔吉斯语和乌兹别克语方面提供顶级开源性能，在英语方面性能中等。
-
新的ASR方法应对计算扩展和多语言评估
研究人员正在开发新的方法来改进自动语音识别（ASR）系统。一种名为LARM的方法使用深度条件循环Transformer，允许可调的测试时间计算，实现了与更深层模型相媲美的性能。另一个系统Murmur通过平衡低延迟的基于块的处理和准确性的长上下文模型，利用注意力稀疏性来处理长篇ASR。此外，还提出了一种名为脚本归一化WER（SN-WER）的新指标，通过对脚本差异进行归一化，以更准确地评估多语言环境下的ASR性能，特别是对于印度语言。
-
新的 SBPN 模型通过知识蒸馏提升尼日利亚语言 ASR 性能
研究人员开发了一个名为 Sometin Beta Pass Notin (SBPN) 的新多语言自动语音识别 (ASR) 框架，以提高尼日利亚语言的性能。该框架采用两阶段知识蒸馏过程，首先从单一语言模型进行蒸馏，然后通过伪标记数据的迭代自我改进。该方法在 Common Voice 和 Fleurs 等基准测试中，相对于基线平均降低了 29% 的词错误率，并且优于现有的最先进的多语言模型。SBPN 以两种尺寸发布为开放基础模型，旨在为该…
-
Coqui 和 Hugging Face 推进开源语音克隆（需获得同意）
Coqui 是一家语音技术初创公司，正在为开源语音技术和语音克隆做出重大贡献。该公司专注于开放访问的模型和数据，能够创建富有情感共鸣的克隆声音。创作者正在利用 Coqui 的工作来开发新的人工智能驱动的应用程序。