Aprendizaje Federado Personalizado para Reconocimiento de Voz Disártrica
Mejora el reconocimiento de voz disártrica con aprendizaje federado personalizado. Descubre estrategias que reducen el WER hasta un 4.73% relativo. ¡Protege la privacidad!
#asr
Corrección de ASR con memoria de ontología en conversaciones largas
Corrige errores de ASR en conversaciones largas usando una memoria ontológica que contextualiza el diálogo y mejora la precisión.
AuRA: internalizando audio en LLMs mediante LoRA
Descubre cómo AuRA internaliza la comprensión del audio en LLMs mediante LoRA, superando a sistemas en cascada con mayor eficiencia y precisión.
AuRA: Internalizando la Comprensión de Audio en LLMs como LoRA
Descubre AuRA: integra comprensión de audio en LLMs mediante LoRA para modelado conjunto y eficiente inferencia paralela. Supera a sistemas en cascada.
Whisfusion: Decodificación ASR Paralela con Difusión Enmascarada
Whisfusion revoluciona la transcripción ASR con decodificación paralela usando difusión enmascarada, superando a Whisper en precisión y velocidad hasta 5x.
Adición de observaciones guiada por inteligibilidad sin entrenamiento para ASR ruidoso
Mejora el reconocimiento de voz en entornos ruidosos con un nuevo método sin entrenamiento que fusiona señales de forma inteligente. Aumenta la precisión y robustez.
Ajuste fino de Whisper para ASR en alemán suizo: 25.6% WER honesto
Descubre cómo el fine-tuning de Whisper logra 25.6% WER en alemán suizo, evitando contaminación de benchmarks. Un análisis honesto con 13.8% cWER y modelos públicos.
Conoce a Speechmatics: Empresa de la Semana de HackerNoon
Speechmatics es la empresa de IA de voz destacada esta semana. Su tecnología de transcripción en tiempo real entiende acentos, ruido y jerga. Descubre más.
Microsoft AI presenta MAI-Transcribe-1.5: ASR multilingüe ultrarrápido
Descubre MAI-Transcribe-1.5: precisión récord en FLEURS, velocidad 5x superior y biasing de entidades. Ideal para transcripción empresarial.
Escuchando lo no dicho: Ataques acústicos con LLM
El ataque Semantic Gambit explota LLMs para aumentar el Word Error Rate al 35.6% en ASR en tiempo real. Conoce esta nueva vulnerabilidad.
Detección y mitigación de alucinaciones en Whisper con autoencoders dispersos
Reduce alucinaciones de Whisper hasta un 86% usando autoencoders dispersos. Aprende la técnica de steering en representaciones ocultas.
Nemotron 3.5 ASR: modelo de reconocimiento de voz en tiempo real con 40 idiomas
Descubre Nemotron 3.5 ASR de NVIDIA: modelo de 600M parámetros que transcribe 40 idiomas en tiempo real con latencia ajustable. Código abierto en Hugging Face.
Ataques adversarios en ASR más allá de la forma de onda
Nuevo ataque adversario en ASR evade defensas al perturbar representaciones SSL, mejorando la transferibilidad como en Whisper.
TA4922: grupo chino lanza phishing a Reino Unido, Alemania, Italia y Sudáfrica
El grupo TA4922 vinculado a China expande ataques de phishing a Reino Unido, Alemania, Italia y Sudáfrica usando malware ValleyRAT y AtlasRAT.
Escalado de cómputo en tiempo de prueba para ASR con Transformers en bucle
Optimiza el reconocimiento de voz con LARM: un Transformer en bucle que escala el cómputo en tiempo de prueba, mejorando la tasa de error de palabras.
Modelo de Audio Interactivo para Streaming en Tiempo Real
Descubre cómo el modelo Audio-Interaction unifica tareas de audio en streaming, permitiendo interacción en tiempo real con percepción, decisión y respuesta proactiva.
FSA-GRPO: Cómo entrenar LLMs auditivos con pocos ejemplos
Descubre cómo FSA-GRPO entrena modelos auditivos con aprendizaje por refuerzo para mejorar el reconocimiento de voz usando pocos ejemplos.
BaltiVoice: Corpus de voz y sistema Whisper ASR ajustado para el balti
Descubre BaltiVoice, el primer corpus de voz público para el idioma balti. Ajustamos Whisper y reducimos el error de 182% a 30%. ¡Modelo y demo disponibles!
Entrenamiento ASR eficiente con conversaciones que nunca ocurrieron
Descubre cómo generar conversaciones sintéticas con LLM y TTS para entrenar ASR de forma eficiente, logrando mejor rendimiento con pocos datos reales
AlignAtt4LLM: Traducción simultánea con LLMs decoder-only
AlignAtt4LLM logra traducción simultánea inglés-alemán/italiano con baja latencia aplicando AlignAtt en LLMs solo decodificador. Resultados superiores.