Mega-ASR：通过扩大现实世界声学模拟实现野外^2语音识别

尽管自动语音识别（ASR）和大型音频语言模型取得了快速进步，但现实环境中的鲁棒识别仍然受到“声学鲁棒性瓶颈”的限制：模型经常失去声学基础，并在严重的成分失真下产生遗漏或幻觉。我们提出了 Mega-ASR，这是一种统一的野外 ASR 框架，它将可扩展的复合数据构造与渐进式声学到语义优化相结合。我们引入了 Voices-in-the-Wild-2M，涵盖 7 种经典声学现象和 54 种物理上合理的复合场景，并使用声学到语义渐进监督 微调 和双粒度 WER 门控策略优化来训练 Mega-ASR。大量实验表明，Mega-ASR 在不利条件 ASR 基准测试中比之前最先进的系统具有显着优势（VOiCES R4-B-F 上为 45.69% vs. 54.01%，NOIZEUS Sta-0 上为 21.49% vs. 29.34%）。在复杂的合成声学场景中，与强大的开源和闭源基线相比，Mega-ASR 进一步实现了超过 30% 的相对 WER 降低，为野外稳健的 ASR 建立了可扩展的范例。