Para peneliti menyajikan metode umum berbasis gradien untuk menemukan batas kata temporal dalam audio untuk model Pengenalan Ucapan Otomatis (ASR) yang dapat didiferensiasikan, termasuk yang tidak secara bawaan menyediakan penyelarasan seperti encoder-decoder berbasis perhatian dan LLM ucapan. Pendekatan ini menghitung gradien dari log probabilitas setiap token teacher-forced terhadap input, menguranginya menjadi saliens per-frame, dan mendekode batas kata melalui pemrograman dinamis.
- Metode ini tidak memerlukan pelatihan, modifikasi model, atau kepala penyelarasan tambahan.
- Penyelarasan dilakukan pada grid input yang lebih halus daripada grid frame encoder yang lebih kasar yang digunakan oleh model CTC atau transducer.
- Evaluasi di seluruh enam belas model dari empat keluarga menunjukkan bahwa metode ini menghasilkan penyelarasan yang dapat digunakan untuk setiap model yang diuji.
- Performanya secara umum sedikit tertinggal dari penyelaras bawaan yang kuat, tetapi unggul di mana penyelarasan bawaan lemah, seperti pada model streaming.
Kerugian utama yang diidentifikasi adalah biaya komputasi untuk melakukan satu backward pass per token.