SLM 测试时自适应，用于鲁棒语音应用

本文解决了语音语言模型 (SLM) 的一个关键问题：它们在真实世界环境中对声学变化的脆弱性。引入测试时自适应 (TTA) 框架意义重大，因为它提供了比传统的离线域自适应方法更有效、更具适应性的解决方案。对生成式 SLM 的关注以及使用交错的音频文本提示也值得注意。本文的贡献在于提高鲁棒性和适应性，而不会牺牲核心任务的准确性，这使得 SLM 更加适用于实际应用。

• •引入了用于生成式语音语言模型 (SLM) 的测试时自适应 (TTA) 框架。
• •仅使用传入的语音，在推理过程中调整一小组参数。
• •在不降低核心任务准确性的情况下，提高对声学变化的鲁棒性。
• •在计算和内存方面高效，适用于资源受限的平台。