ProKWS：基于音素与韵律协同学习的个人化关键词检测
音频与语音处理
2026-03-20 v1 人工智能
计算与语言
声音
摘要
当前的关键词检测系统主要使用音素级匹配来区分易混淆单词，但忽略了用户特定的发音特征，如韵律（语调、重音、节奏）。本文提出了 ProKWS，一种新型框架，将细粒度音素学习与个人化韵律建模相结合。我们设计了双流编码器，其中一路通过对比学习获得稳健的音素表征，另一路提取说话人特定的韵律模式。随后设计了协作融合模块，动态组合音素和韵律信息，增强在不同声学环境下的适应性。实验结果表明，ProKWS 在标准基准数据集上表现出与最先进模型相当的性能，并在个性化关键词（含调制音和意图变化）方面表现出强大的鲁棒性。
引用
@article{arxiv.2603.18024,
title = {ProKWS: Personalized Keyword Spotting via Collaborative Learning of Phonemes and Prosody},
author = {Jianan Pan and Yuanming Zhang and Kejie Huang},
journal= {arXiv preprint arXiv:2603.18024},
year = {2026}
}