Исследование изучает использование кросс-лингвистического обучения с переносом с сингальского для улучшения автоматического распознавания речи (ASR) для слабо ресурсообеспеченного языка дивехи. Исследователи провели семнадцать экспериментов в рамках пяти парадигм, включая базовые линии и многоязычную тонкую настройку.

  • Самая сильная система использовала непрерывное предварительное обучение на сингальском языке с последующей тонкой настройкой на дивехи с использованием KenLM.
  • Этот подход достиг 12.89% ошибки слов (WER) и 2.70% ошибки символов (CER).
  • Он превзошел базовую линию только для дивехи на 13.50% WER и 3.02% CER.
  • Турецкий контроль подтвердил, что улучшения обусловлены лингвистической близостью, а не общей адаптацией.

Результаты демонстрируют, что обучение с переносом с лингвистически связанного языка значительно повышает производительность ASR для языков с низким уровнем ресурсов при сочетании с соответствующими конфигурациями декодирования.