研究者らは、潜在音韻構造を誘導することで、音素の分割と認識を同時に解決する方法であるSPAMを提案した。この手法は、各S3M表現フレームを有声性や鼻音性などの音韻的特徴活性化のベクトルにマッピングする。

  • SPAMは、認識および分割タスクのために、軽量な勾配降下不要の予測ヘッドを利用する。
  • この手法は、トレーニングに1分未満の音韻転写を必要とする。
  • トレーニング中に未見の音素にも一般化し、多様なデータセット全体で強力なパフォーマンスを実現する。