Para peneliti mengusulkan SPAM, sebuah metode yang memanfaatkan model ucapan swa-pengawasan (S3Ms) untuk secara bersamaan menyelesaikan segmentasi dan pengenalan fonem dengan mengarahkan struktur fonetik laten. Pendekatan ini memetakan setiap frame representasi S3M ke vektor aktivasi fitur fonologis, seperti suara dan nasalitas.
- SPAM memanfaatkan kepala prediksi ringan tanpa gradien-descent untuk tugas pengenalan dan segmentasi.
- Metode ini memerlukan kurang dari satu menit transkripsi fonetik untuk pelatihan.
- Metode ini menggeneralisasi ke fonem yang belum terlihat selama pelatihan dan mencapai kinerja kuat di berbagai dataset.