基于音系激活映射（SPAM）的语音单元分割与识别

研究者提出基于自监督语音模型（S3M）的音系激活映射（SPAM），将每帧 S3M 表示映射为清浊、鼻音等音系特征激活向量，并在其上构建识别头和分割头两个轻量、无需梯度下降的预测头。该方法只需不到一分钟的音系转写数据，识别头可泛化到训练中未见的音素，在多个数据集上取得较强的分割性能。该工作已被 SLT 2026 接收。