शोधकर्ता ऑडियो-भाषा मॉडल को कोड-स्विच्ड स्वचालित speech पहचान (ASR) के लिए डेटा-कुशल अनुकूलन के लिए सत्यापनीय पुरस्कारों के साथ एक व्यावहारिक रीइन्फोर्समेंट लर्निंग रेसिपी का प्रस्ताव करते हैं। विधि ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन का उपयोग करती है, जो एक त्रुटि दर पुरस्कार को एक स्क्रिप्ट फिडेलिटी पुरस्कार के साथ जोड़ती है जो गलत लेखन प्रणालियों के लिए दंडित करती है।
- 10 भाषा युग्मों पर Qwen2-Audio का उपयोग करके केवल TTS कोड-स्विच्ड speech पर प्रशिक्षण।
- डेटा का 10% के साथ RLVR पूरे डेटासेट पर प्रशिक्षित LoRA सुपरवाइज्ड फाइन-ट्यूनिंग से मेल खाता है।
- त्रुटि दर पुरस्कार अनुवाद त्रुटियों को समाप्त करता है जबकि स्क्रिप्ट फिडेलिटी पुरस्कार स्क्रिप्ट दूषितकरण को कम करता है।
- लाभ मानव-रिकॉर्डेड कोड-स्विचिंग कॉर्पस पर जीरो-शॉट स्थानांतरित होते हैं।
दृष्टिकोण प्रकारात्मक रूप से दूर युग्मों पर सबसे बड़े लाभ दिखाता है और बड़े लेबल वाले डेटासेट की आवश्यकता के बिना कोड-स्विच्ड speech के लिए मॉडल को अनुकूलित करने के लिए एक पुनरुत्पादित टेस्टबेड प्रदान करता है।