面向自发语音的抗噪强制对齐

arXiv:2610.22583v1 公告类型：新 摘要：我们展示了强制对齐器在自发、含噪的真实世界语音上的性能会下降，且填充词、笑声和言语不流利现象会破坏词边界，进而影响诸多下游应用。我们重新审视了经典的 GMM-HMM 对齐器，使用上采样的 WavLM 特征替代 MFCCs，采用针对填充词和非词汇性发声事件的显式音素单元，并利用在干净特征与受噪声污染特征对上拟合的判别式投影来提升鲁棒性。该流程通过 149 小时的精选音频进行自举训练，无需人工或外部边界目标。在会话语音（Buckeye）和言语不流利语音（FluencyBank）上，其词边界平均绝对误差（MAE）分别达到 20.6 毫秒和 76.9 毫秒，比十个基线中最强者分别低 19% 和 17%。即使扩大 MFA 的搜索波束，灾难性错位（>200 毫秒）的发生率仍仅为 Montreal Forced Aligners（MFA）最佳模型的 1/2.7；我们证明，扩大搜索波束消除了其会话语音误差中的一个较大剪枝伪影。事件单元使笑声附近的误差减半，同时其鲁棒性也显著优于现有对齐器。