通用个人化器：基于元学习的零样本/少样本失语语音识别
音频与语音处理
2026-02-24 v2 声音
摘要
为个性化失语语音识别 (dysarthric ASR) 进行定制化，受限于严苛的录入收集和 per-user 训练。在本文中，我们提出一种混合元训练方法，针对单个模型实现零样本和少样本即插即用个人化，通过情境学习 (in-context learning, ICL) 实现。我们在 Euphonia 数据集上实现了 13.9% 的词错误率 (Word Error Rate, WER)，超越说话人独立基线 (17.5%)。在 SAP Test-1 上，我们的 5.3% WER 战胜了获奖团队 (5.97%)。在 Test-2 上，我们的 9.49% WER 仅次于获奖者 (8.11%)，但无需依赖离线模型合并或自定义音频块等技术。通过随机相同说话人示例进行精选可实现 40% 的 WER 降低，验证了主动个人化的有效性。虽然静态文本精选未能战胜此基线，但 oracle 相似度揭示了显著的提升空间，凸显动态声学检索为下一 frontier。数据消融实验确认了快速低资源说话人适应的能力，使该模型成为实用的个人化解决方案。
引用
@article{arxiv.2509.15516,
title = {The Universal Personalizer: Few-Shot Dysarthric Speech Recognition via Meta-Learning},
author = {Dhruuv Agarwal and Harry Zhang and Yang Yu and Quan Wang},
journal= {arXiv preprint arXiv:2509.15516},
year = {2026}
}