wavlm

该论文比较了基于 WavLM 的音频分类器与基于 GPT-4o 的零样本转录文本分类器在母语识别任务中的表现，发现音频分类器在低水平（A1）阶段表现更优，而在 A2 至 C1 阶段，使用完整转录文本的文本分类器表现更好。

该论文提出一种噪声鲁棒的强制对齐方法，用上采样WLM特征替代MFCC的GMM-HMM对齐器，并显式建模填充词和非词汇语音事件，在Buckeye和FluencyBank上将词边界误差降低19%和17%，大幅减少灾难性错配。

本文介绍了CLeaD，一种使用WavLM嵌入进行跨语言语音抑郁检测的监督对比对齐框架。它揭示了先前结果因说话人身份信息泄露而被夸大的事实，并在普通话说话人上取得了适度改进。