Peneliti menunjukkan bahwa Group Relative Policy Optimization (GRPO) secara signifikan mengungguli penyetelan halus terawasi (SFT) saat menyesuaikan model pengenalan suara otomatis (ASR) berbasis LLM ke domain yang diatur menggunakan hanya data teks-ke-suara sintetis. Pendekatan ini mengatasi batasan privasi dan ketidakcocokan akustik yang biasanya menghambat kinerja model di sektor seperti perbankan.
- Adaptasi hanya sintetis dengan GRPO mengurangi word error rate (WER) sebesar 40% dibandingkan SFT, menurunkannya dari 36,71% menjadi 22,09%.
- Menggabungkan SFT dengan GRPO lebih lanjut meningkatkan hasil, mencapai total pengurangan WER sebesar 45%.
- Peningkatan kinerja berasal dari perbaikan perilaku daripada perubahan representasi, khususnya kalibrasi penghentian yang lebih baik dan penyelarasan suara-ke-teks.
- GRPO mengurangi kesalahan sisipan dengan mengaitkan perhatian ke audio sambil meninggalkan representasi lapisan awal tetap utuh.
Para penulis menyimpulkan bahwa ketika suara sintetis adalah sumber daya utama untuk adaptasi, metode pembelajaran penguatan seperti GRPO harus diutamakan daripada penyetelan halus terawasi.