一项关于喜马拉雅地区低资源语言Garhwali的自动语音识别（ASR）的新研究，强调了可复现的多种子评估的重要性。研究人员发现，先前归因于Focal CTC或matra-加权目标等特定目标的改进，在跨多个随机种子测试时并不稳健。相反，采用标准CTC的W2V-BERT 2.0模型达到了具有竞争力的47.0%词错误率（WER），这表明对于此类方言，预训练设计比模型大小更关键。 AI
影响 强调了低资源ASR中鲁棒评估方法的需求，影响了针对代表性不足的语言的模型开发和比较方式。
排序理由 学术论文，详细介绍了低资源ASR的新评估方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
