Blackrock Neurotech News·· 2025-11-21AI 评分52
Blackrock 团队提出端到端脑到文本框架 BIT，WER 降至 10.22%
Decoding Inner Speech with an End-to-End Brain-to-Text Neural Interface
AI 导读
Blackrock Neurotech 团队提出端到端脑到文本（BIT）框架，用单一可微神经网络把神经活动直接翻译为句子，将此前端到端方法的词错误率（WER）从 24.69% 降至 10.22%。
AI 要点
团队
作者含 Yizi Zhang、Linyang He、Francis R Willett、Nima Mesgarani、Liam Paninsk 等，机构未在材料中写明。
主要结果
端到端 BIT 将此前端到端方法的词错误率从 24.69% 降至 10.22%；预训练编码器在级联设置下于 Brain-to-Text '24 和 '25 基准上取得新的 SOTA。
解决什么问题
多数语音 BCI 采用先解码音素、再用 n-gram 语言模型组句的级联框架，无法对各阶段联合优化。
方法
提出端到端 BraIn-to-Text（BIT）框架，用单一可微神经网络把神经活动译为句子；核心是跨任务、跨物种预训练的神经编码器，其表征可迁移到尝试性言语和想象言语；与音频大语言模型端到端集成，用对比学习做跨模态对齐。
局限
从研究设计看，材料为预印本摘要，未给出受试者或物种与样本量，也未报告对照设置。
AI 依据原文整理，未经人工核对。
来源：Blackrock Neurotech News · blackrockneurotech.com