ASR 论文用可控逐字转写把德语 F1 从 10% 提到 79%
nyralabs · hf · 2026-07-22
这篇工作把 ASR 里的转写风格问题——逐字转写（verbatim） 和 意图转写（intended）——视为一个潜变量，认为它会带来解码不稳定、评测混淆以及 word-level timing 不可靠等问题。
作者提出用带覆盖感知的 decoder task token，在平行的 verbatim/intended 转写对上训练。结果显示，即使只用英文训练，德语的 disfluency F1 也能从 10% 提升到 79% 的 zero-shot 水平。若进行完整的英文微调，论文声称该方法在两种语言上都优于现有基线，覆盖 verbatim 准确率、disfluency 检测和 intended 模式质量。
此外，论文还提出了用于改进不流畅语音时间戳的监督式 cross-attention 微调，并定义了一个新任务 verbatimize，用于规模化生成和增强高质量的规范逐字转写语料。
「研究」频道最新
- 7 个本地开源 VLM 争夺第二读者，Qwen3-VL 4B 胜出 — MaziyarPanahi · 2026-07-22
- 班加罗尔一场工作坊将拆解 world models 的原理与开发方法 — tushaarmehtaa · 2026-07-22
- 百度 Unlimited OCR 用 R-SWA 和 30 亿参数连续解析数十页文档 — vista8 · 2026-07-22
- 百度 Unlimited OCR 用 R-SWA 一次解析长文档 — vista8 · 2026-07-22
- 提案用 RIA 和 Logic Bus 重构 Hermes Agent — Promptmethus · 2026-07-22
- YC 创始人提出 Jcode bench v1，想让编码评测更难刷分 — Medium_Anxiety_8143 · 2026-07-22