speech-decoding

本文介绍了Brain2Semantics2Text，一种非侵入式语音解码方法，通过将MEG响应映射到语义嵌入空间，在无词级对齐的情况下重构句子级文本。

这篇文章宣布了2026年PNPL竞赛，专注于LibriBrain100数据集中的单词分类和高效跨主题泛化，以推进用于脑机接口的非侵入性语音解码。

本文介绍了LibriBrain100，一个大规模MEG数据集，包含超过100小时的神经语音解码数据，在单词分类基准测试中达到了最先进的性能。

这项研究使用非侵入式EEG和对比学习来解码默读过程中的单词，展示了可扩展的词汇信息恢复，其性能随数据量增加而提升。

本文提出了一种可解释的感知语音MEG到音频检索模型，利用球谐空间注意力和源映射重新设计，以少得多的解码器参数实现了39.75%的Top-1准确率，同时揭示了哪些语音特征驱动检索。

本文研究了音素与字符目标以及选择性状态空间模型（Mamba）对皮层内脑到文本解码的影响，发现基于GRU的循环解码器在Brain-to-Text '25基准测试中仍是表现最强的模型。

一个基于舌头超声波记录训练的模型能够以15.6%的词错误率解码无声语音，尽管数据集较小，但其性能已接近唇读水平。

一种新的非侵入性方法将脑电波转化为文字，提供了一种无需手术的沟通途径。

Casey Harrell，一位患有ALS的男子，已成为语音脑机接口的首位“超级用户”，他独立使用该设备数千小时进行说话、浏览网页和工作。《自然医学》杂志的一项研究报道了该设备的长期可靠性和扩展功能。