基于 XLSR-53 的印尼语自动语音识别
计算与语言
2023-08-23 v1 声音
音频与语音处理
摘要
本研究聚焦于使用 XLSR-53 预训练模型开发印尼语自动语音识别（ASR），XLSR 代表跨语言语音表示（cross-lingual speech representations）。使用此 XLSR-53 预训练模型旨在显著减少非英语语言达到具有竞争力的词错误率（WER）所需的训练数据量。本研究使用的数据总量为 24 小时 18 分 1 秒：（1）TITML-IDN 14 小时 31 分；（2）Magic Data 3 小时 33 分；（3）Common Voice 6 小时 14 分 1 秒。在 WER 为 20% 的情况下，本研究构建的模型在使用 Common Voice 数据集划分测试集时可与同类模型竞争。使用语言模型可将 WER 降低约 8%，使 WER 从 20% 降至 12%。因此，本研究的结果成功完善了先前的研究，以更少的数据量为构建更好的印尼语 ASR 作出了贡献。
引用
@article{arxiv.2308.11589,
title = {Indonesian Automatic Speech Recognition with XLSR-53},
author = {Panji Arisaputra and Amalia Zahra},
journal= {arXiv preprint arXiv:2308.11589},
year = {2023}
}