# 语音分词器

语音分词器把连续语音压成离散标记，是 ASR 与大音频语言模型的前端。T-SemAttack 不攻击整条识别流水线，而是联合扰动多个语义编码器的表示空间，并用心理声学掩蔽约束噪声，使对抗样本在保持可听质量的同时把下游语义编码带偏。在双语多说话人数据上，它把 9 个开源与黑盒 ASR 系统的词错率从干净语音的约 1%–4% 抬到 20.004%–63.555%，并给出以噪声训练加语义蒸馏训练的 ROSETok 分词器。

语音分词器把连续语音压成离散标记，是 ASR 与大音频语言模型的前端。T-SemAttack 不攻击整条识别流水线，而是联合扰动多个语义编码器的表示空间，并用心理声学掩蔽约束噪声，使对抗样本在保持可听质量的同时把下游语义编码带偏。在双语多说话人数据上，它把 9 个开源与黑盒 ASR 系统的词错率从干净语音的约 1%–4% 抬到 20.004%–63.555%，并给出以噪声训练加语义蒸馏训练的 ROSETok 分词器。