研究人员提出了 SPAM，这是一种利用自监督语音模型 (S3Ms) 通过引导潜在音系结构来同时解决音素分割和识别问题的方法。该方法将每个 S3M 表示帧映射到音系特征激活向量，如浊音性和鼻音性。

  • SPAM 使用轻量级、无需梯度下降的预测头来处理识别和分割任务。
  • 该方法在训练过程中仅需不到一分钟的音素转录数据。
  • 它能泛化到训练期间未见过的音素，并在多样化的数据集上实现了强大的性能。