在未來(lái)科技的藍(lán)圖中，直接從人腦中讀取語(yǔ)言一直是科幻小說(shuō)中常見(jiàn)的情節(jié)。而今天，這項(xiàng)技術(shù)正逐漸從科幻走向現(xiàn)實(shí)。2025年，哥倫比亞大學(xué)的研究團(tuán)隊(duì)在預(yù)計(jì)將發(fā)表于Interspeech 2025的研究論文中，展示了一個(gè)名為"Neuro2Semantic"的創(chuàng)新框架，能夠從人類顱內(nèi)腦電圖(iEEG)信號(hào)中重建連續(xù)語(yǔ)言的語(yǔ)義內(nèi)容。這項(xiàng)由哥倫比亞大學(xué)電氣工程系的Siavash Shams、Richard Antonello、Gavin Mischler、Nima Mesgarani以及費(fèi)恩斯坦醫(yī)學(xué)研究所的Stephan Bickel和Ashesh Mehta共同完成的研究，向我們展示了大腦解碼技術(shù)的巨大潛力。研究團(tuán)隊(duì)已在GitHub上開源了他們的代碼和模型(github.com/SiavashShams/neuro2semantic)，讓更多研究者能夠參與這一前沿領(lǐng)域的探索。

一、大腦解碼：從科幻到現(xiàn)實(shí)的跨越

想象一下，你因?yàn)槟撤N疾病而失去說(shuō)話能力，但醫(yī)生能通過(guò)一個(gè)設(shè)備直接從你的大腦中"讀取"你想表達(dá)的內(nèi)容，并將其轉(zhuǎn)化為自然流暢的語(yǔ)言。這聽(tīng)起來(lái)像科幻電影中的場(chǎng)景，但實(shí)際上，這正是Neuro2Semantic這類腦機(jī)接口技術(shù)努力實(shí)現(xiàn)的目標(biāo)。

在人工智能和神經(jīng)科學(xué)交叉領(lǐng)域的最新進(jìn)展中，神經(jīng)解碼模型扮演著越來(lái)越重要的角色。這些模型旨在根據(jù)測(cè)量到的神經(jīng)活動(dòng)重建刺激或意圖。研究人員已經(jīng)在各種神經(jīng)成像技術(shù)上探索了這些模型，包括顱內(nèi)腦電圖(iEEG)、功能性磁共振成像(fMRI)、腦磁圖(MEG)和腦電圖(EEG)。這些技術(shù)被應(yīng)用于多種場(chǎng)景，如想象和感知語(yǔ)言、語(yǔ)音重建、運(yùn)動(dòng)控制和視覺(jué)。特別值得注意的是，最近的一些努力展示了這些模型能夠以接近實(shí)時(shí)的速度高精度解碼語(yǔ)音運(yùn)動(dòng)意圖的能力。

然而，現(xiàn)有的方法主要集中在解碼語(yǔ)音的運(yùn)動(dòng)意圖，這可能無(wú)法捕捉語(yǔ)言語(yǔ)義內(nèi)容的全部豐富性。而解碼語(yǔ)言語(yǔ)義內(nèi)容則是另一條技術(shù)路徑。雖然已有研究使用fMRI和MEG進(jìn)行語(yǔ)義解碼，但利用時(shí)間分辨率更高、信號(hào)質(zhì)量更好的iEEG進(jìn)行語(yǔ)義解碼的研究相對(duì)較少。

這項(xiàng)研究面臨的主要挑戰(zhàn)是數(shù)據(jù)稀缺。想象一下，你想教一個(gè)孩子識(shí)別蘋果，通常需要向他展示成百上千個(gè)不同的蘋果樣本。但在腦電研究中，由于種種限制，研究人員往往只能獲得非常有限的數(shù)據(jù)樣本。如何在這種數(shù)據(jù)稀缺的情況下，讓解碼模型仍能有效工作，是一個(gè)巨大的挑戰(zhàn)。

二、Neuro2Semantic：連接大腦與語(yǔ)言的橋梁

Neuro2Semantic框架就像是一位精通兩種語(yǔ)言的翻譯官，一邊理解"大腦語(yǔ)言"（神經(jīng)信號(hào)），另一邊熟悉"人類語(yǔ)言"（文本），能夠在兩者之間建立起溝通的橋梁。這個(gè)翻譯過(guò)程分為兩個(gè)主要階段：首先理解大腦的"語(yǔ)法和詞匯"，然后組織成人類能理解的"自然語(yǔ)言"。

具體來(lái)說(shuō)，Neuro2Semantic框架包含兩個(gè)關(guān)鍵階段。第一階段，研究團(tuán)隊(duì)訓(xùn)練了一個(gè)名為L(zhǎng)STM（長(zhǎng)短期記憶網(wǎng)絡(luò)）的適配器，將神經(jīng)數(shù)據(jù)與預(yù)訓(xùn)練文本嵌入空間對(duì)齊。這就像是學(xué)習(xí)大腦信號(hào)和語(yǔ)言之間的對(duì)應(yīng)關(guān)系。第二階段，在神經(jīng)嵌入對(duì)齊后，研究人員微調(diào)了一個(gè)預(yù)訓(xùn)練的文本重建模型，從神經(jīng)對(duì)齊的嵌入中提取連貫的文本。

想象你正在學(xué)習(xí)一門外語(yǔ)。第一階段就像是建立一個(gè)詞匯表，將外語(yǔ)單詞與你熟悉的母語(yǔ)詞匯一一對(duì)應(yīng)。第二階段則像是學(xué)習(xí)如何將這些詞匯組織成符合語(yǔ)法、通順流暢的句子。Neuro2Semantic的工作原理與此類似，只不過(guò)它"翻譯"的是大腦神經(jīng)信號(hào)與自然語(yǔ)言之間的關(guān)系。

LSTM適配器的任務(wù)是將iEEG信號(hào)編碼成固定維度的嵌入，使其與預(yù)訓(xùn)練文本嵌入的語(yǔ)義空間對(duì)齊。為了實(shí)現(xiàn)神經(jīng)嵌入與相應(yīng)語(yǔ)義嵌入之間的有效對(duì)齊，研究團(tuán)隊(duì)采用了一種結(jié)合對(duì)比目標(biāo)與批次級(jí)相似度優(yōu)化的對(duì)齊損失函數(shù)。這個(gè)損失函數(shù)是對(duì)比損失目標(biāo)與三元組邊際損失目標(biāo)的加權(quán)組合。這確保了神經(jīng)嵌入既與其對(duì)應(yīng)的文本嵌入緊密對(duì)齊，又與非對(duì)應(yīng)對(duì)足夠區(qū)分。

Neuro2Semantic框架的第二階段專注于將對(duì)齊的神經(jīng)嵌入轉(zhuǎn)化為連貫的文本序列。這是通過(guò)微調(diào)Vec2Text校正器模塊實(shí)現(xiàn)的，該模塊旨在將文本嵌入反向轉(zhuǎn)換回其原始文本形式。雖然Vec2Text模型是在大規(guī)模文本語(yǔ)料庫(kù)上預(yù)訓(xùn)練的，但通過(guò)使用神經(jīng)嵌入對(duì)其進(jìn)行微調(diào)，使模型能夠適應(yīng)神經(jīng)嵌入的特定特性，增強(qiáng)其從這些嵌入中準(zhǔn)確重建原始文本的能力。

這個(gè)任務(wù)被框架為一個(gè)受控生成問(wèn)題，目標(biāo)是生成文本x，其嵌入ê(x)與目標(biāo)嵌入e緊密近似。模型迭代操作，從初始假設(shè)x^(0)開始，經(jīng)過(guò)多個(gè)步驟t進(jìn)行精煉。在每一步，模型最小化當(dāng)前假設(shè)嵌入ê(x^(t))與目標(biāo)嵌入e之間的距離，逐步提高生成文本的連貫性和準(zhǔn)確性。

微調(diào)過(guò)程中，LSTM適配器保持凍結(jié)狀態(tài)，以保留第一階段建立的語(yǔ)義對(duì)齊。只有Vec2Text校正器模塊的參數(shù)會(huì)被更新。整個(gè)過(guò)程首先將預(yù)處理的iEEG片段通過(guò)LSTM適配器生成固定維度的神經(jīng)嵌入en。這些與文本嵌入空間對(duì)齊的嵌入作為Vec2Text校正器的輸入，校正器旨在重建原始文本序列x = (x1, x2, ..., xT)，使用標(biāo)準(zhǔn)的NLL損失目標(biāo)。

三、實(shí)驗(yàn)設(shè)計(jì)：少量數(shù)據(jù)如何產(chǎn)生驚人結(jié)果

在這項(xiàng)研究中，研究團(tuán)隊(duì)采用了一種特殊的實(shí)驗(yàn)設(shè)計(jì)，讓我們一起來(lái)看看他們是如何設(shè)計(jì)實(shí)驗(yàn)并獲得那些令人驚嘆的結(jié)果的。

首先，讓我們了解一下實(shí)驗(yàn)的參與者和數(shù)據(jù)收集過(guò)程。三名正在接受藥物難治性癲癇手術(shù)評(píng)估的患者參與了這項(xiàng)研究。為了定位癲癇病灶，研究人員在患者顱內(nèi)植入了立體定向腦電圖(iEEG)電極。所有參與者在電極植入前都提供了書面知情同意書，同意參與研究。實(shí)驗(yàn)過(guò)程中，患者聆聽(tīng)了自然錄制的人們進(jìn)行類似播客的對(duì)話內(nèi)容。共使用了六種不同的對(duì)話?？傮w上，任務(wù)包含約30分鐘的語(yǔ)音內(nèi)容。研究人員使用希爾伯特變換計(jì)算了聆聽(tīng)過(guò)程中神經(jīng)記錄的高伽馬頻帶(70-150 Hz)的包絡(luò)，并將其下采樣至100 Hz。在過(guò)濾和顯著性選擇后，三名受試者共使用了864個(gè)電極。該研究方案獲得了北岸大學(xué)醫(yī)院機(jī)構(gòu)審查委員會(huì)的批準(zhǔn)。

研究團(tuán)隊(duì)采用了留一法交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練，即每個(gè)故事的最后一個(gè)試驗(yàn)被留作測(cè)試。每個(gè)試驗(yàn)被分成句子，使用說(shuō)話時(shí)相應(yīng)的神經(jīng)數(shù)據(jù)片段進(jìn)行訓(xùn)練。這種設(shè)置防止了在微調(diào)語(yǔ)言模型時(shí)出現(xiàn)任何反因果信息泄漏，同時(shí)允許模型在同一對(duì)話內(nèi)訓(xùn)練過(guò)去句子的語(yǔ)義內(nèi)容。對(duì)六個(gè)故事中的每一個(gè)都重復(fù)了這個(gè)過(guò)程，使用交叉驗(yàn)證在每個(gè)時(shí)期后評(píng)估模型性能。每個(gè)故事中被保留的試驗(yàn)作為該拆分的測(cè)試集。

在第一階段，LSTM適配器訓(xùn)練了100個(gè)時(shí)期，批量大小為8，使用Adam優(yōu)化器，學(xué)習(xí)率為1.3e-3。適配器訓(xùn)練完成后，其參數(shù)在第二階段被凍結(jié)，預(yù)訓(xùn)練的校正器進(jìn)行了2個(gè)時(shí)期的微調(diào)。在這個(gè)階段，校正器僅使用一個(gè)步驟進(jìn)行細(xì)化過(guò)程。

基于CLIP的對(duì)比損失使用溫度參數(shù)τ = 0.1，α = 0.25項(xiàng)用于控制對(duì)比損失和三元組邊際損失之間的貢獻(xiàn)。選擇的參數(shù)通過(guò)坐標(biāo)下降進(jìn)行了優(yōu)化。為了評(píng)估重建文本的質(zhì)量，研究團(tuán)隊(duì)使用了神經(jīng)解碼分析中常用的兩個(gè)指標(biāo)，特別是BLEU和BERTScore。這些指標(biāo)用于測(cè)量生成文本與真實(shí)情況相比的表面級(jí)別(BLEU)和語(yǔ)義準(zhǔn)確性(BERTScore)。

為了基線比較，研究團(tuán)隊(duì)使用了Tang等人提出的貝葉斯解碼方法來(lái)生成解碼刺激。簡(jiǎn)而言之，該方法使用波束搜索生成候選延續(xù)，然后使用編碼模型對(duì)其進(jìn)行評(píng)估和排名，根據(jù)Mischler等人的研究，將觀察到腦反應(yīng)R的可能性p(R|S)建模為多變量高斯分布，平均值μ = R(S)和協(xié)方差Σ從編碼殘差中估計(jì)。研究團(tuán)隊(duì)針對(duì)iEEG修改了這種方法，使用基于高伽馬頻帶的編碼模型，并應(yīng)用更少和更短的有限脈沖響應(yīng)延遲，以考慮血流動(dòng)力學(xué)響應(yīng)延遲的缺失。選擇這種方法是因?yàn)樗砹薴MRI解碼的最新結(jié)果，并與團(tuán)隊(duì)通過(guò)連續(xù)生成解碼重建感知語(yǔ)音語(yǔ)義的目標(biāo)緊密一致。

四、驚人的研究結(jié)果：少即是多

研究團(tuán)隊(duì)對(duì)Neuro2Semantic與基線模型和隨機(jī)控制進(jìn)行了嚴(yán)格的評(píng)估，以全面了解其在實(shí)際應(yīng)用中的表現(xiàn)。結(jié)果令人驚訝：即使只使用30分鐘的數(shù)據(jù)，Neuro2Semantic也能取得令人矚目的成果。

首先，讓我們看看Neuro2Semantic與基線模型的直接比較。研究結(jié)果以六個(gè)故事為測(cè)試集進(jìn)行了k折交叉驗(yàn)證。從圖2A的箱線圖中可以看出，Neuro2Semantic在BERTScore上明顯優(yōu)于基線模型，這表明它在語(yǔ)義準(zhǔn)確性方面表現(xiàn)更好。這一優(yōu)勢(shì)尤其突出，因?yàn)锽ERTScore反映了生成文本與真實(shí)文本在語(yǔ)義理解層面的接近程度。

為了讓你更直觀地理解這些結(jié)果，研究團(tuán)隊(duì)提供了一些實(shí)際的例子。比如，對(duì)于原始文本"任何花時(shí)間旅行或在不同地方生活的人可能都經(jīng)歷過(guò)思鄉(xiāng)病"，Neuro2Semantic重建的文本是"你可能住在一個(gè)與你家不同的地方，如果你搬出去，你可能會(huì)非常想家"，而基線模型重建的文本則是"誰(shuí)在那樣的家庭環(huán)境中長(zhǎng)大，我甚至很難..."。從這個(gè)例子可以看出，雖然Neuro2Semantic的重建并不完全與原始文本相同，但它捕捉到了核心的語(yǔ)義內(nèi)容，而基線模型則偏離得更遠(yuǎn)。

更令人印象深刻的是，Neuro2Semantic不僅在已知語(yǔ)義環(huán)境中表現(xiàn)良好，在完全未見(jiàn)過(guò)的語(yǔ)義內(nèi)容上也表現(xiàn)出色。研究團(tuán)隊(duì)通過(guò)保留整個(gè)未在訓(xùn)練中出現(xiàn)過(guò)的故事來(lái)評(píng)估模型的零樣本域外性能。圖2B的條形圖顯示，Neuro2Semantic的BERT和BLEU分?jǐn)?shù)始終優(yōu)于基線模型。特別是BERTScore顯示了顯著的改進(jìn)，這表明即使面對(duì)全新的故事，模型也能保持語(yǔ)義連貫性。這一結(jié)果進(jìn)一步表明，Neuro2Semantic捕捉了更廣泛的語(yǔ)義模式，而不僅僅是記憶訓(xùn)練樣例。

研究團(tuán)隊(duì)還評(píng)估了訓(xùn)練數(shù)據(jù)和電極數(shù)量對(duì)Neuro2Semantic模型性能的影響。首先，他們通過(guò)在可用數(shù)據(jù)的20%、40%、60%、80%和100%的隨機(jī)子集上訓(xùn)練模型來(lái)評(píng)估訓(xùn)練數(shù)據(jù)縮放的影響。對(duì)于每個(gè)子集百分比，進(jìn)行了五次獨(dú)立運(yùn)行，運(yùn)行間的標(biāo)準(zhǔn)偏差顯示為圖2D中的誤差條。隨著訓(xùn)練數(shù)據(jù)的增加，我們觀察到BERT和BLEU分?jǐn)?shù)上的顯著性能改進(jìn)，這些改進(jìn)在各個(gè)評(píng)分上呈現(xiàn)線性關(guān)系。這表明更大的數(shù)據(jù)集增強(qiáng)了模型的泛化能力，導(dǎo)致更準(zhǔn)確的文本重建。這強(qiáng)調(diào)了我們的方法在暴露于更大數(shù)據(jù)集時(shí)的擴(kuò)展?jié)摿Α?/p>

同樣，研究團(tuán)隊(duì)也研究了電極使用變化的影響，通過(guò)在可用電極的20%、40%、60%、80%和100%的隨機(jī)子集上訓(xùn)練模型。他們?yōu)槊總€(gè)百分比運(yùn)行了五次實(shí)驗(yàn)，每次選擇不同的子集。結(jié)果呈現(xiàn)在圖2E中。我們觀察到與電極數(shù)量類似的線性擴(kuò)展，這表明Neuro2Semantic可能會(huì)從更密集的皮層覆蓋中獲益。然而，相對(duì)較大的誤差條意味著一些電極對(duì)解碼的價(jià)值顯著高于其他電極。這表明在解碼應(yīng)用中，存在最優(yōu)的覆蓋模式，可以使用固定數(shù)量的電極提取最有用的信息。

五、Neuro2Semantic的優(yōu)勢(shì)與局限性

Neuro2Semantic通過(guò)其新穎的兩階段架構(gòu)和高效的數(shù)據(jù)利用在神經(jīng)語(yǔ)言解碼方面展示了顯著的進(jìn)步。與基于分類的方法或面向檢索的框架不同，這個(gè)模型直接將iEEG信號(hào)與語(yǔ)義嵌入對(duì)齊，實(shí)現(xiàn)了無(wú)約束的文本生成，無(wú)需預(yù)定義的詞匯表。

與復(fù)制的當(dāng)前最先進(jìn)的連續(xù)解碼方法相比，該方法在語(yǔ)義準(zhǔn)確性方面實(shí)現(xiàn)了顯著更高的性能，同時(shí)僅需要30分鐘的訓(xùn)練數(shù)據(jù)，這僅僅是現(xiàn)有方法通常需要的16+小時(shí)的一小部分。這就像是一位學(xué)習(xí)語(yǔ)言的天才，只需要幾小時(shí)就能掌握別人需要幾個(gè)月才能學(xué)會(huì)的內(nèi)容。

研究團(tuán)隊(duì)的消融研究證實(shí)，初始對(duì)齊階段對(duì)性能至關(guān)重要，而不僅僅是依賴語(yǔ)言模型的能力。這種方法還實(shí)現(xiàn)了對(duì)未見(jiàn)過(guò)的語(yǔ)義內(nèi)容的零樣本泛化，無(wú)需特定領(lǐng)域的微調(diào)，這將其與受訓(xùn)練詞匯限制的以前方法區(qū)分開來(lái)。此外，擴(kuò)展實(shí)驗(yàn)表明，隨著數(shù)據(jù)和電極覆蓋的增加，性能持續(xù)提高，這表明隨著更多數(shù)據(jù)的可用，還有顯著的改進(jìn)空間。

然而，這項(xiàng)研究也存在一些局限性。小樣本量和臨床人群限制了即時(shí)的泛化性。研究團(tuán)隊(duì)當(dāng)前的目標(biāo)是驗(yàn)證可行性，而不是得出人口水平的結(jié)論。此外，隨著更多數(shù)據(jù)的收集，他們計(jì)劃研究基于Transformer的架構(gòu)用于對(duì)齊階段，這通常需要更大的數(shù)據(jù)集，但可能提供增強(qiáng)的建模能力。這些發(fā)展將進(jìn)一步加強(qiáng)Neuro2Semantic在不同受試者和語(yǔ)言環(huán)境中的能力。

六、未來(lái)展望：從實(shí)驗(yàn)室到現(xiàn)實(shí)世界

Neuro2Semantic代表了神經(jīng)解碼領(lǐng)域的一個(gè)重要進(jìn)步，但它的潛力遠(yuǎn)不止于此。隨著技術(shù)的進(jìn)一步發(fā)展和完善，我們可以展望它在醫(yī)療、輔助技術(shù)和其他領(lǐng)域的廣泛應(yīng)用。

在醫(yī)療領(lǐng)域，這項(xiàng)技術(shù)可能幫助失去說(shuō)話能力的患者，如中風(fēng)、漸凍癥(ALS)或其他神經(jīng)系統(tǒng)疾病患者。通過(guò)直接從他們的大腦活動(dòng)中解碼語(yǔ)言，可以開發(fā)出新型的輔助溝通設(shè)備，讓這些患者能夠更自然地表達(dá)自己的想法和需求。

在認(rèn)知科學(xué)研究中，Neuro2Semantic提供了一個(gè)窗口，讓我們能夠更深入地了解大腦如何處理和表示語(yǔ)言。這可能幫助研究人員更好地理解語(yǔ)言處理的神經(jīng)機(jī)制，以及語(yǔ)言障礙的潛在原因。

隨著數(shù)據(jù)量的增加和算法的改進(jìn)，我們可以期待Neuro2Semantic和類似技術(shù)的性能進(jìn)一步提升。特別是，如研究團(tuán)隊(duì)所指出的，基于Transformer的架構(gòu)可能在未來(lái)提供更強(qiáng)大的建模能力，進(jìn)一步提高解碼準(zhǔn)確性和泛化能力。

此外，將這項(xiàng)技術(shù)與其他神經(jīng)成像方法結(jié)合，如fMRI或MEG，可能提供更全面的大腦活動(dòng)視圖，進(jìn)一步提高解碼性能。多模態(tài)方法的發(fā)展可能是未來(lái)研究的一個(gè)重要方向。

最后，隨著腦機(jī)接口技術(shù)的進(jìn)步，我們可以期待更加便攜、非侵入性的設(shè)備，使這類技術(shù)能夠更廣泛地應(yīng)用于實(shí)際生活中。雖然目前的研究使用的是侵入性的iEEG，但未來(lái)的技術(shù)可能使用更加便攜和非侵入性的方法來(lái)捕捉大腦活動(dòng)。

總之，Neuro2Semantic開創(chuàng)了一個(gè)新的可能性領(lǐng)域，其應(yīng)用前景廣闊。隨著技術(shù)的不斷發(fā)展和完善，我們有理由相信，直接從大腦中解碼和理解語(yǔ)言的能力將不再是科幻小說(shuō)中的情節(jié)，而是將成為改變?cè)S多人生活的現(xiàn)實(shí)技術(shù)。

七、結(jié)語(yǔ)：搭建大腦與語(yǔ)言的橋梁

從本質(zhì)上講，Neuro2Semantic代表了一次重要的技術(shù)飛躍，它建立了大腦神經(jīng)活動(dòng)與人類語(yǔ)言之間的直接橋梁。這項(xiàng)技術(shù)不僅展示了從神經(jīng)信號(hào)中重建語(yǔ)義內(nèi)容的可能性，更重要的是，它以極高的效率實(shí)現(xiàn)了這一目標(biāo)，僅需30分鐘的數(shù)據(jù)就能取得令人印象深刻的結(jié)果。

這種高效性意味著，即使在數(shù)據(jù)收集受到嚴(yán)格限制的臨床環(huán)境中，類似的技術(shù)也有可能應(yīng)用于實(shí)際場(chǎng)景。對(duì)于那些因?yàn)楦鞣N原因失去語(yǔ)言能力的人來(lái)說(shuō)，這項(xiàng)技術(shù)可能是恢復(fù)溝通的希望之光。

當(dāng)然，我們也應(yīng)該認(rèn)識(shí)到，這項(xiàng)研究仍處于探索階段，樣本量較小，參與者都是臨床患者，這限制了研究結(jié)果的即時(shí)泛化性。然而，研究團(tuán)隊(duì)明確表示，他們的目標(biāo)是驗(yàn)證這種方法的可行性，而不是得出人口水平的結(jié)論。隨著更多數(shù)據(jù)的收集和技術(shù)的進(jìn)一步改進(jìn)，我們有理由相信，Neuro2Semantic及類似技術(shù)的性能將繼續(xù)提升。

對(duì)于普通人來(lái)說(shuō)，這項(xiàng)研究告訴我們，大腦與計(jì)算機(jī)之間的直接通信不再是遙不可及的未來(lái)技術(shù)，而是正在成為現(xiàn)實(shí)。雖然目前的應(yīng)用可能主要集中在醫(yī)療和輔助技術(shù)領(lǐng)域，但隨著技術(shù)的進(jìn)步，我們可能會(huì)看到更廣泛的應(yīng)用場(chǎng)景。

最后，值得一提的是，研究團(tuán)隊(duì)已經(jīng)在GitHub上開源了他們的代碼和模型，這使得更多的研究者能夠參與到這一領(lǐng)域的探索中來(lái)。這種開放的科研態(tài)度，無(wú)疑將加速這一領(lǐng)域的發(fā)展。

如果你對(duì)這項(xiàng)研究感興趣，可以通過(guò)GitHub上的鏈接(github.com/SiavashShams/neuro2semantic)獲取更多信息，或者期待這篇論文在Interspeech 2025上的正式發(fā)表。