speech-text

本文提出联合语音-文本交错预训练（JSTIP），这是一种预训练策略，通过构建词级和段级交错的语音-文本序列来提高ASR实体准确率并缩小语音与文本之间的模态差距，在领域自适应和零样本语音问答上展示了有竞争力的性能。