关键词 Mamba：基于状态空间模型的语音关键词识别
声音
2025-08-12 v1 音频与语音处理
摘要
关键词识别（KWS）是语音处理中的重要任务，广泛应用于语音助手和智能设备。CNN、RNN 和 Transformer 等深度学习模型在 KWS 方面表现良好。然而，这些模型常常在处理长期模式方面存在困难，同时又难以保持高效。本文提出了 Keyword Mamba，这是一个用于 KWS 的新型架构。它采用称为 Mamba 的神经状态空间模型（SSM）。我们在时间轴上应用 Mamba，并探索其如何取代 Transformer 模型中自注意力部分的作用。在 Google Speech Commands 数据集上进行测试。结果表明，Keyword Mamba 在准确率、参数数量和计算成本方面均表现出色。迄今为止，尚无人将状态空间模型应用于 KWS。这些结果表明，Mamba 在语音相关任务中具有巨大的潜力。
引用
@article{arxiv.2508.07363,
title = {Keyword Mamba: Spoken Keyword Spotting with State Space Models},
author = {Hanyu Ding and Wenlong Dong and Qirong Mao},
journal= {arXiv preprint arXiv:2508.07363},
year = {2025}
}
备注
Under peer review