clinical-speech

本文介绍了DEPOOL，一个受控基准，评估了六种时序聚合架构在六种冻结语音主干网络上的表现，用于双人交互中的抑郁检测，发现许多配置会坍缩为单类别预测，并且鲁棒性应作为一个关键标准。

Omi Health创始人微调了NVIDIA的Parakeet TDT 0.6B用于医学ASR，发布了开放权重的模型Omi Med STT v1，在本地Mac、CUDA或CPU上运行时实现了有竞争力的医学WER。

本文提出了一种基于大型语言模型的数据增强框架，利用GPT-5从书面锚点生成合成口语独白，用于从语音中预测认知评分。一种相似性引导的选择策略持续降低了预测误差，特别是对于少数低分参与者。