점진적 정제: 중국어-영어 코드 스위칭 ASR을 위한 반복적 유사 레이블링

본 논문은 제한된 학습 데이터의 과제를 해결하기 위해 중국어-영어 코드 스위칭 자동 음성 인식을 개선하기 위한 반복적 유사 레이블링 접근 방식을 소개합니다. 이 방법은 두 단계 바이린구얼 모델 훈련을 위해 유사 레이블을 생성하여 준감독 학습 데이터를 만드는 방식으로 미라벨 말뭉치를 활용합니다.

프레임워크는 세 가지 단계로 구성됩니다: 대규모 미라벨 데이터로부터 유사 레이블 생성, 감독된 코드 스위칭 데이터에서의 사전 훈련 및 미세 조정, 그리고 복잡한 시나리오에서 정확도를 향상시키기 위한 반복적 정제.

이 접근 방식은 코드 스위칭 ASR 시스템을 크게 발전시켜 SEAME의 devman 하위 집합에서 6.35%, devsge 하위 집합에서 8.29%의 눈에 띄는 Mix Error Rate 감소를 달성했습니다.