Para peneliti mengusulkan resep pembelajaran penguatan praktis dengan hadiah yang dapat diverifikasi untuk adaptasi model audio-bahasa secara efisien terhadap pengenalan ucapan otomatis (ASR) beralih kode. Metode ini menggunakan optimisasi kebijakan relatif kelompok, menggabungkan hadiah tingkat kesalahan dengan hadiah kesetiaan skrip yang menghukum sistem penulisan yang salah.
- Pelatihan hanya pada ucapan beralih kode TTS menggunakan Qwen2-Audio di 10 pasangan bahasa.
- RLVR dengan 10% data sesuai dengan fine-tuning terawasi LoRA yang dilatih pada dataset penuh.
- Hadiah tingkat kesalahan menghilangkan kesalahan terjemahan sementara hadiah kesetiaan skrip mengurangi kontaminasi skrip.
- Peningkatan ditransfer zero-shot ke korpus beralih kode rekaman manusia.
Pendekatan ini menunjukkan peningkatan terbesar pada pasangan yang secara tipologis jauh dan menyediakan testbed yang dapat direproduksi untuk menyesuaikan model dengan ucapan beralih kode tanpa memerlukan dataset berlabel besar.