研究人员为六种南部班图语开发了音调条件课程框架，以解决当前基础ASR模型在零样本情况下的字错误率（WER）过高的问题。该方法结合了混合难度评分、由音调统计驱动的门控适配器以及在社区语料库上的分阶段课程训练。

  • 带音调条件的W2V-BERT在数据集上平均WER为28.41%，在Xitsonga迁移任务中为23.79%。
  • 在恩古尼语系语言上，W2V-BERT的WER比Whisper低3到4个点，而Whisper在索托-茨瓦纳语系语言上表现更好。
  • 没有单一模型适合所有六种语言，这表明部署时应根据每种语言选择模型，并在语料库上进行验证。

该研究突出了架构与语言之间的清晰交互，表明有效部署需要为每种语言选择特定模型，而不是依赖通用解决方案。