热点事件持续更新

基于WavLM改进GMM-HMM实现噪声鲁棒对齐

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

Laurin Wagner等人提出一种噪声鲁棒强制对齐方法，结合WavLM特征与自举训练提升对齐性能。在Buckeye和FluencyBank数据集上，该方法词边界平均绝对误差分别降低19%和17%，显著优于现有基线。该方法通过明确处理填充词和非词汇语音事件，大幅减少超过200毫秒的灾难性错误，增强了系统对笑声等自发噪声的鲁棒性。

AI 根据报道生成 · 7 小时前更新

最新进展10月19日 12:00

噪声鲁棒强制对齐：基于 WavLM 的自发性语音 GMM-HMM 改进

报道时间线

沿着报道，了解事件的不同侧面。

10月19日

12:00
arXiv · ML
噪声鲁棒强制对齐：基于 WavLM 的自发性语音 GMM-HMM 改进
论文提出一种噪声鲁棒强制对齐方法，通过 WavLM 特征和自举训练实现鲁棒对齐。在 Buckeye 和 FluencyBank 数据集上，词边界 MAE 分别为 20.6ms 和 76.9ms，比最强基线降低 19% 和 17%。大幅降低 >200ms 的灾难性错误，对笑声等事件的处理比现有对齐器更鲁棒。

本事件热度走势

可比范围当前: 8
可比范围峰值: 1010月19日 13:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。