يتناول الباحثون فشل نماذج التعرف على الكلام الخفيفة الوزن مثل Moonshine على اللغات الغنية بالتركيب الصرفي مثل البنغالية عن طريق استبدال محولاتها المستندة إلى مستوى البايت والمرتكزة على الإنجليزية بمفردات BanglaBERT WordPiece الخاصة بالكتابة الأصلية. يؤدي هذا التعديل إلى إعادة مصفوفة تضمين الرموز وتقليل خصوبة الرموز بشكل كبير من 9.16 إلى 1.30.
- يقلل النهج من طول التسلسل الذاتي الارتدادي بنسبة 85.8%، مما يخفف تمامًا من عدم استقرار فك التشفير.
- تم تقييمه على مجموعة بيانات Lipi-Ghor المكونة من 882 ساعة، حيث حقق الهيكل المعدّل معدل خطأ الكلمات (WER) بنسبة 21.54% وعامل الوقت الحقيقي (RTF) بقيمة 0.0053.
يوفر هذا البحث مخططًا قابلاً للتوسع وقابلًا للتكرار لتكيف نماذج التعرف على الكلام المدمجة عبر الكتابة دون الحاجة إلى تدريب مسبق مكلف من حيث الموارد.