无监督与监督语义语音标记的比较：儿童语音识别案例研究
音频与语音处理
2025-12-04 v1
摘要
离散语音标记因其存储效率以及与大型语言模型（LLM）的集成而受到关注。它们通常分为声学标记和语义标记，后者在自动语音识别（ASR）中更具优势。传统上，无监督 K-means 聚类被用于从语音基础模型（SFMs）中提取语义语音标记。最近，监督方法如通过 ASR 损失训练的有限标量量化（FSQ）已出现用于语音生成。两种方法均利用预训练的 SFMs，使低资源任务（如儿童 ASR）受益。本文系统比较了监督与无监督语义语音标记在儿童 ASR 中的表现。结果表明，监督方法不仅优于无监督方法，甚至意外地超越了连续表征，并且在超低比特率设置下仍表现良好。这些发现突显了监督语义标记的优势，并为改进离散语音标记化提供了见解。
引用
@article{arxiv.2512.03301,
title = {Comparing Unsupervised and Supervised Semantic Speech Tokens: A Case Study of Child ASR},
author = {Mohan Shi and Natarajan Balaji Shankar and Kaiyuan Zhang and Zilai Wang and Abeer Alwan},
journal= {arXiv preprint arXiv:2512.03301},
year = {2025}
}
备注
ASRU-AI4CSL