Buchumschlag

Phonemes vs. Projectors: An Investigation of Speech-Language Interfaces for LLM-based ASR

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Ziwei, Dong, Lukuang, Yusuyin, Saierdaer, Zhao, Xianyu, Ou, Zhijian
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Audio and Speech Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Advancing LLM-based phoneme-to-grapheme for multilingual speech recognition
von: Dong, Lukuang, et al.
Veröffentlicht: (2026)

Pronunciation-Lexicon Free Training for Phoneme-based Crosslingual ASR via Joint Stochastic Approximation
von: Yusuyin, Saierdaer, et al.
Veröffentlicht: (2025)

CTC-TTS: LLM-based dual-streaming text-to-speech with CTC alignment
von: Liu, Hanwen, et al.
Veröffentlicht: (2026)

LLM-based phoneme-to-grapheme for phoneme-based speech recognition
von: Ma, Te, et al.
Veröffentlicht: (2025)

Whistle: Data-Efficient Multilingual and Crosslingual Speech Recognition via Weakly Phonetic Supervision
von: Yusuyin, Saierdaer, et al.
Veröffentlicht: (2024)

CUSIDE-T: Chunking, Simulating Future and Decoding for Transducer based Streaming ASR
von: Zhao, Wenbo, et al.
Veröffentlicht: (2024)

Phoneme-based speech recognition driven by large language models and sampling marginalization
von: Ma, Te, et al.
Veröffentlicht: (2025)

Low-Resourced Speech Recognition for Iu Mien Language via Weakly-Supervised Phoneme-based Multilingual Pre-training
von: Dong, Lukuan, et al.
Veröffentlicht: (2024)

Lightweight and Robust Multi-Channel End-to-End Speech Recognition with Spherical Harmonic Transform
von: Kong, Xiangzhu, et al.
Veröffentlicht: (2025)

Seed-ASR: Understanding Diverse Speech and Contexts with LLM-based Speech Recognition
von: Bai, Ye, et al.
Veröffentlicht: (2024)

ASR for Affective Speech: Investigating Impact of Emotion and Speech Generative Strategy
von: Wu, Ya-Tse, et al.
Veröffentlicht: (2026)

Energy-Based Models with Applications to Speech and Language Processing
von: Ou, Zhijian
Veröffentlicht: (2024)

Speaker-Conditioned Phrase Break Prediction for Text-to-Speech with Phoneme-Level Pre-trained Language Model
von: Yang, Dong, et al.
Veröffentlicht: (2025)

dLLM-ASR: A Faster Diffusion LLM-based Framework for Speech Recognition
von: Tian, Wenjie, et al.
Veröffentlicht: (2026)

CUSIDE-array: A Streaming Multi-Channel End-to-End Speech Recognition System with Realistic Evaluations
von: Kong, Xiangzhu, et al.
Veröffentlicht: (2024)

Efficient Scaling for LLM-based ASR
von: Mu, Bingshen, et al.
Veröffentlicht: (2025)

SpecASR: Accelerating LLM-based Automatic Speech Recognition via Speculative Decoding
von: Wei, Linye, et al.
Veröffentlicht: (2025)

Fine-Tuning ASR for Stuttered Speech: Personalized vs. Generalized Approaches
von: Mujtaba, Dena, et al.
Veröffentlicht: (2025)

A Bottom-up Framework with Language-universal Speech Attribute Modeling for Syllable-based ASR
von: Yen, Hao, et al.
Veröffentlicht: (2025)

Prosody Labeling with Phoneme-BERT and Speech Foundation Models
von: Koriyama, Tomoki
Veröffentlicht: (2025)

Speech Emotion Recognition with ASR Integration
von: Li, Yuanchao
Veröffentlicht: (2026)

A Phoneme-Scale Assessment of Multichannel Speech Enhancement Algorithms
von: Monir, Nasser-Eddine, et al.
Veröffentlicht: (2024)

Phoneme-Level Analysis for Person-of-Interest Speech Deepfake Detection
von: Salvi, Davide, et al.
Veröffentlicht: (2025)

Towards Robust Dysarthric Speech Recognition: LLM-Agent Post-ASR Correction Beyond WER
von: Zheng, Xiuwen, et al.
Veröffentlicht: (2026)

Contextual Biasing for ASR in Speech LLM with Common Word Cues and Bias Word Position Prediction
von: Novitasari, Sashi, et al.
Veröffentlicht: (2026)

Speech-Omni-Lite: Portable Speech Interfaces for Vision-Language Models
von: Tao, Dehua, et al.
Veröffentlicht: (2026)

DM-ASR: Diarization-aware Multi-speaker ASR with Large Language Models
von: Li, Li, et al.
Veröffentlicht: (2026)

NLE: Non-autoregressive LLM-based ASR by Transcript Editing
von: Dekel, Avihu, et al.
Veröffentlicht: (2026)

Train Short, Infer Long: Speech-LLM Enables Zero-Shot Streamable Joint ASR and Diarization on Long Audio
von: Shi, Mohan, et al.
Veröffentlicht: (2025)

Evaluating Multichannel Speech Enhancement Algorithms at the Phoneme Scale Across Genders
von: Monir, Nasser-Eddine, et al.
Veröffentlicht: (2025)

BR-ASR: Efficient and Scalable Bias Retrieval Framework for Contextual Biasing ASR in Speech LLM
von: Gong, Xun, et al.
Veröffentlicht: (2025)

Data-Efficient ASR Personalization for Non-Normative Speech Using an Uncertainty-Based Phoneme Difficulty Score for Guided Sampling
von: Pokel, Niclas, et al.
Veröffentlicht: (2025)

MOSA: Mixtures of Simple Adapters Outperform Monolithic Approaches in LLM-based Multilingual ASR
von: Li, Junjie, et al.
Veröffentlicht: (2025)

Self-Speculative Decoding for LLM-based ASR with CTC Encoder Drafts
von: Saon, George, et al.
Veröffentlicht: (2026)

Investigation of Speech and Noise Latent Representations in Single-channel VAE-based Speech Enhancement
von: Li, Jiatong, et al.
Veröffentlicht: (2025)

Towards a Single ASR Model That Generalizes to Disordered Speech
von: Tobin, Jimmy, et al.
Veröffentlicht: (2024)

An approach to measuring the performance of Automatic Speech Recognition (ASR) models in the context of Large Language Model (LLM) powered applications
von: Pulikodan, Sujith, et al.
Veröffentlicht: (2025)

Mel-FullSubNet: Mel-Spectrogram Enhancement for Improving Both Speech Quality and ASR
von: Zhou, Rui, et al.
Veröffentlicht: (2024)

Balancing Speech Understanding and Generation Using Continual Pre-training for Codec-based Speech LLM
von: Shi, Jiatong, et al.
Veröffentlicht: (2025)

Towards Effective and Efficient Non-autoregressive decoders for Conformer and LLM-based ASR using Block-based Attention Mask
von: Wang, Tianzi, et al.
Veröffentlicht: (2025)