Los investigadores proponen SPAM, un método que aprovecha modelos de habla auto-supervisados (S3Ms) para resolver simultáneamente la segmentación y el reconocimiento de fonemas dirigiendo la estructura fonética latente. El enfoque mapea cada cuadro de representación S3M a un vector de activaciones de características fonológicas, como la sonoridad y la nasalidad.

  • SPAM utiliza cabezales de predicción ligeros y sin descenso de gradiente para las tareas de reconocimiento y segmentación.
  • El método requiere menos de un minuto de transcripciones fonéticas para el entrenamiento.
  • Se generaliza a fonemas no vistos durante el entrenamiento y logra un rendimiento sólido en diversos conjuntos de datos.