用自监督语音模型做音素识别
Shikhar Bharadwaj · hf · 2026-07-13
论文讨论音素分割与识别这两个密切相关的任务，指出现有方法往往把它们分开建模。 作者认为，自监督语音模型（S3M）内部已经包含了音系结构，只需要合适地“引导”即可。为此提出 **SPAM**（Phonological Activation Mapping），把每一帧表示映射到发声、鼻音等音系特征激活向量；其上再接两个轻量、无需梯度下降的预测头，分别用于识别和分割。 方法只需要不到一分钟的音标标注，且能泛化到训练中未见过的音素；在多个数据集上都取得了较强表现。