शोधकर्ताओं ने वर्तमान फाउंडेशन ASR मॉडलों की उच्च जीरो-शॉट शब्द त्रुटि दरों (WER) को दूर करने के लिए छह दक्षिणी बान्टू भाषाओं के लिए टोन-कंडीशनड करिकुलम फ्रेमवर्क विकसित किया। इस दृष्टिकोण में हाइब्रिड कठिनाई स्कोरिंग, टोनल सांख्यिकी द्वारा संचालित गेटेड एडाप्टर्स और एक समुदाय कॉर्पस पर चरणबद्ध करिकुलम प्रशिक्षण का संयोजन शामिल है।
- टोन कंडीशनिंग के साथ W2V-BERT ने डेटासेट्स पर 28.41% की औसत WER और Xitsonga स्थानांतरण पर 23.79% हासिल किया।
- Nguni भाषाओं पर W2V-BERT ने Whisper से 3 से 4 WER अंक में बेहतर प्रदर्शन किया, जबकि Sotho-Tswana भाषाओं पर Whisper का प्रदर्शन बेहतर था।
- कोई एक मॉडल छहों भाषाओं के लिए उपयुक्त नहीं था, जो संकेत देता है कि तैनाती को प्रत्येक भाषा के लिए मॉडल चयन को कॉर्पस के माध्यम से वैलिडेशन के साथ जोड़ना चाहिए।
अध्ययन आर्किटेक्चर और भाषा के बीच स्पष्ट अंतःक्रियाओं को उजागर करता है, जिससे संकेत मिलता है कि प्रभावी तैनाती के लिए विश्वसनीय समाधान पर निर्भर करने के बजाय प्रत्येक भाषा के लिए विशिष्ट मॉडल चुनने की आवश्यकता होती है।