Исследователи предлагают SPAM, метод, который использует самообучаемые речевые модели (S3Ms) для одновременного решения задач сегментации и распознавания фонем путем управления латентной фонологической структурой. Подход отображает каждый кадр представления S3M в вектор активаций фонологических признаков, таких как звонкость и назальность.

  • SPAM использует легкие заголовки предсказания без градиентного спуска для задач распознавания и сегментации.
  • Методу требуется менее минуты фонетической транскрипции для обучения.
  • Он обобщается на невидимые во время обучения фонемы и демонстрирует высокую производительность на разнообразных наборах данных.