深度分析
REDDIT：解決 ASR 模型時間戳漂移的輕量化後訓練框架
自動語音辨識系統在長時間靜音間隔後會出現時間戳漂移，導致文字內容雖正確卻對應錯誤時間點。研究提出REDDIT兩階段後訓練框架，利用模型自我回放編輯時間戳，同時凍結非時間戳分布以防遺忘。實驗顯示在Whisper‑tiny上，長間隔mIoU提升至95%，AAS誤差降至223毫秒，且非目標辨識性能保持不變。
Whisper
深度分析
離散擴散語言模型結合凍結 Whisper 與投影層：8 步平行解碼達成 6.6% WER
傳統自回歸語音辨識受限於逐字解碼，研究以離散擴散語言模型直接聽懂音訊，凍結 Whisper 編碼器並加入投影層與低秩適配器，僅訓練 42M 參數即可在約八步平行去噪下完成轉錄，LibriSpeech clean 測得 6.6% 字錯率，顯示擴散解碼可脫離文字長度限制並提升效能。
深度分析
REDDIT：重播分布編輯提升 Whisper 系列時間戳校正與 ASR 穩定性
研究指出自動語音辨識模型在長時間非語音段落會出現時間戳漂移。提出REDDIT兩階段重播分布編輯方法，利用自動生成的校正資料修正時間戳，同時避免遺忘問題。實驗顯示在Whisper‑tiny上將長段mIoU提升至95%。此方法僅更新0.6%參數，無需額外對齊模組，提升實務部署的可靠性。
深度分析
「參數聚類」在 HuBERT 與 Whisper 大型語音模型的無資料壓縮實驗與成效
本研究提出一種不需原始資料與額外訓練的語音基礎模型壓縮技術，透過通道維度的k‑means參數聚類取代傳統剪枝。作者同時探索層級變化的混合稀疏度，使不同層可保留不同數量的聚類中心，達成結構化、粗粒度的模型縮減。
深度分析
自監督特徵結合 HiFi‑GAN 聲碼器的對抗攻擊：提升語音辨識系統安全測試效能
隨著語音辨識系統廣泛部署，研究以自監督特徵與凍結的HiFi‑GAN聲碼器產生對抗樣本，取代傳統波形噪聲。此法在黑箱模型與多種防禦下仍提升WER或CER超過30%，顯示現有防護未涵蓋此攻擊向量。研究者將對抗搜尋空間搬到自監督語音特徵，再重建成自然波形，減少對波形防禦的依賴。