Este artículo presenta un enfoque de etiquetado pseudoiterativo para mejorar el reconocimiento automático del habla en el cambio de código mandarín-inglés, abordando el desafío de los datos de entrenamiento limitados. El método aprovecha corpus no etiquetados generando pseudomarcas para crear un conjunto de datos semisupervisado para el entrenamiento de un modelo bilingüe en dos etapas.
El marco consta de tres fases: generación de pseudomarcas a partir de grandes datos no etiquetados, preentrenamiento seguido de ajuste fino en datos supervisados con cambio de código, y refinamientos iterativos para mejorar la precisión en escenarios complejos.
Este enfoque avanza significativamente los sistemas ASR de cambio de código, logrando reducciones notables de Mix Error Rate del 6.35% en el subconjunto devman de SEAME y del 8.29% en el subconjunto devsge.