現代のASRモデルは、文字ごとと意図ごとの転写スタイルを制御されない潜在変数として扱うため、デコーディングが不安定になり、最大60%のWERがスタイルの不一致から生じています。平行する文字ごと/意図ごとの転写ペア上でタスクトークンを用いたカバレッジ感知デコーダーを訓練することで、英語のみの訓練でもドイツ語の流...
現代のASRモデルは、文字ごとと意図ごとの転写スタイルを制御されない潜在変数として扱うため、デコーディングが不安定になり、最大60%のWERがスタイルの不一致から生じています。
平行する文字ごと/意図ごとの転写ペア上でタスクトークンを用いたカバレッジ感知デコーダーを訓練することで、英語のみの訓練でもドイツ語の流暢でないF1をゼロショット状態から79%に引き上げることができます。 教師付きクロスアテンション微調整により、流暢でない音声上での単語レベルタイムスタンプが初めて強制アライメントのベースラインを超えました。 新しいタスクverbatimizeは、稀な単語の再現率を6.8%から96.1%に向上させることができます。
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html.
Aioga 编辑摘要：现代ASR模型将转录风格（逐字vs.意图）作为不受控隐变量，导致解码不稳定，且高达60%的WER来自风格不匹配。 Aioga 将其归入「论文研究」方向，重点关注它对真实使用和行业竞争的影响。
背景分析：模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断，单项指标领先不等于已经形成稳定采用。
Aioga 判断：这条动态更适合作为行业观察信号，当前信息足以建立线索，但不足以推导长期结论。
影响分析：对相关团队而言，短期应先核对来源、可用范围和实际成本，再判断是否值得接入或跟进。 后续观察：继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。
取得元が提供するタイトル、要約、出典、元記事リンクを掲載しています。記事全文は転載していません。
取得経路: 要約集約 · 元ドメイン: arxiv.org
出典: HuggingFace Daily Papers（社区热门论文）
元記事: 元記事を開く
Aioga アーカイブ: 情報ページを開く
Content record: source-page · Updated: 2026-07-21T00:00:00.000Z
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this articleAioga は世界の AI 動向を集約し、確認と引用のため出典情報を保持します。