休斯顿，我们遇到了分歧：ASR模型的子组性能分析

Fearless Steps APOLLO社区资源为探索NASA阿波罗任务中多说话人团队通信的潜力提供了无与伦比的机会。本研究聚焦于发现使阿波罗录音对自动语音识别（ASR）方法更易或更难识别的特征。我们为每段音频提取了可解释的元数据：录音特征（信噪比、频谱平坦度、停顿存在性、句子时长）、转录特征（所说单词数、语速）或先验已知特征（说话人）。我们基于这些元数据的组合识别音频录音的子组，并计算每个子组的性能（例如词错误率）以及相对于整体总体的性能差异（“分歧”）。然后，我们应用不同大小的Whisper模型，这些模型在纯英语或多语言数据集上训练，采用零样本或微调方式。我们进行了多项分析，以（i）自动识别并描述给定模型中最有问题的子组，（ii）考察微调相对于零样本在子组层面的影响，（iii）理解模型大小对子组性能的影响，以及（iv）分析多语言模型是否比单语模型对子组性能差异更敏感。这些见解加深了我们对子组特定性能变化的理解，为优化面向地空通信的ASR系统铺平了道路。