越南语音中方言变化的语音建模

arXiv cs.CL 论文
vietnamese speech-recognition dialectal-variation phonetic-modeling asr low-resource vietnamese-speech

摘要

本文提出了一种方言感知的语音框架，用于建模越南语自动语音识别（ASR）中的语音变化，将音节分解为结构化组件，并将其映射到特定方言的国际音标（IPA）表示。该方法在UIT-ViMD多方言数据集上，以更少的参数且无需外部预训练，匹配了预训练基线的性能。

arXiv:2605.24451v1 公告类型: 新 摘要：越南语在北部、中部和南部地区表现出显著的方言语音变化，相同的词汇项可能以截然不同的发音实现。这种变化给自动语音识别（ASR）带来了挑战，并且由于越南语正字法与音系之间的复杂关系，在计算上难以建模。现有方法通常从词汇层面处理方言变异性，假设拼写与发音之间存在方言不变的映射，这限制了它们捕捉系统性语音差异的能力。我们提出了一种方言感知的语音框架，该框架在词汇和解码层面显式建模越南语音系结构和方言变化。该框架引入了一个语音词汇表，将每个音节分解为结构化的语音组件，并将其映射到特定方言的国际音标（IPA）表示，同时结合一个语音结构解码器联合预测这些组件。在唯一的越南语多方言数据集UIT-ViMD上的实验表明，所提出的方法优于多种预训练基线，并且**尤其以更少的参数且无需外部预训练，在不同方言上匹配了最强的预训练模型 wav2ve2-base-vi-250h 的性能**。本文接收后，实验重现代码将公开提供。
查看原文
查看缓存全文

缓存时间: 2026/05/26 09:03 

# 越南语方言变体的语音建模
来源：https://arxiv.org/abs/2605.24451
查看PDF (https://arxiv.org/pdf/2605.24451)

> 摘要：越南语在北部、中部和南部地区存在显著的方言语音变体，同一词汇在不同地区可能以截然不同的发音呈现。这种变异性给自动语音识别（ASR）带来了挑战，而且由于越南语正字法与音系之间复杂的对应关系，很难通过计算建模。现有方法通常以词级处理方言变异性，假定拼写与发音之间的映射不受方言影响，这限制了其捕捉系统性语音差异的能力。我们提出了一种方言感知的语音框架，该框架在词汇和解码层面显式建模越南语音系结构及方言变异性。该框架引入了一个语音词汇，将每个音节分解为结构化的语音成分，并将其映射到方言特定的IPA表示，同时结合一个联合预测这些成分的语音结构解码器。在越南语唯一可用的多方言数据集UIT-ViMD上的实验表明，所提方法优于多种预训练基线，**尤其在与最强的预训练模型wav2vec2-base-vi-250h相比时，跨方言性能相当，但使用的参数量显著更少且无需外部预训练**。代码将在本文被接收后公开，以确保实验可复现。

## 提交历史

来自：Nghia Hieu Nguyen [查看邮件](https://arxiv.org/show-email/2c9a3f87/2605.24451) **[v1]** 2026年5月23日星期六 08:00:26 UTC (917 KB)

相似文章

转录儿童语音：ASR性能与获取可靠的正字法转写

arXiv cs.CL

这篇论文评估了九种ASR模型（Whisper、Parakeet、Wav2Vec2）在荷兰语儿童语音数据集JASMIN和DART上的表现，发现微调后的Whisper-medium取得了最佳性能（在JASMIN上WER为5.54%，在DART上为70.37%）。它还提出了一种选择方法，能够以高精度自动识别发音正确的录音片段，从而减少人工验证的需求。

发音策略作为声学元音动态变异的一个来源

arXiv cs.CL

本研究使用来自36名发音人的超声舌成像数据，表明个体在发硬腭元音/i/时的发音策略系统地影响双元音中的声学共振峰动态，将舌运动模式与共振峰过渡的时间和陡度联系起来。

使用发音音素识别评估语音发音合成

arXiv cs.CL

本文提出使用带有发音特征的音素识别来评估语音发音合成，解决了点对点距离等传统指标的局限性。在单说话人RT-MRI数据集上的实验表明，该方法能够捕捉语音细节并改进评估。