Mega-ASR: 大规模真实声学模拟驱动的野外语音识别
深度2026年5月23日26 分钟阅读
最有趣的是，Mega-ASR在极端噪声组合场景下仍能保持高识别率，优于当前最强开源和商用系统。适合语音识别、鲁棒声学建模及多模态AI研究者阅读。
本文编译自 Mega-ASR: Towards In-the-wild^2 Speech Recognition via Scaling up Real-world Acoustic Simulation，版权归原作者所有。
觉得有用？分享给更多人
相关文章
本文发现RLVR训练的权重轨迹是低秩且可预测的，秩一近似即可捕获大部分性能增益。基于此提出RELEX方法，通过短窗口观测估计秩一子空间，并用线性回归外推未来检查点，仅需15%的训练步数即可匹配或超越完整RLVR性能。该方法能外推到观测窗口的10-20倍以上，且无需学习模型，归功于秩一投影的降噪效应。
深度·5月23日·25 分钟
本文全面调查了大型音频语言模型（LALMs）的可信性问题。作者分析了LALMs的内部机制，并建立了涵盖幻觉、鲁棒性、安全、隐私、公平性和认证六个维度的可信度分类法。研究发现，当前攻击手段成熟而防御措施不足，存在显著的可信度差距，并提出了“纵深防御”架构等策略以推动可信音频智能的发展。
深度·5月23日·46 分钟