arXiv cs.CL· Stephen Fernandes, Narayan Choudhary·· 3 天前AI 评分29
Anuvani-LID：面向印度语言的稳健且校准的语音语种识别模型
Anuvani-LID: Robust and Calibrated Spoken Language Identification for Indian Languages
AI 导读
Anuvani-LID 是一个 115M 参数的专用 LID conformer 模型，在 54,643 小时印度语音（覆盖 22 种印度语言及印度口音英语）上训练，在 37 项条件下平均 macro-F1 达 0.914，比 Gemini 3.5 Flash 高 5.2 分。
正文 · AI 翻译
摘要：每个多语言语音流水线都始于一个语言决策，此处的错误会悄无声息地传播到识别、翻译和路由环节。在印度，它涵盖四大语系的 22 种表列语言，通过简短、嘈杂、窄带和语码混合的音频被听到。基础语音模型日益将语言识别（LID）呈现为一种固有的潜在、泛化能力。语音模型中的自回归解码器会发出特殊的语言 ID 标记，而具备音频能力的现代 LLM 在被提示时能够说出语言名称。我们在相同的音频片段上检验这一假设，发现 whisper 及类似语音模型仅对 23 种语言中的 15 种有标记，在一秒输入上 Gemini 3.5 Flash 达到 0.52 宏 F1，GPT-audio 为 0.14。我们提出 Anuvani LID，一个专用的 115M 参数 LID conformer 模型，在涵盖 22 种印度语言和印度口音英语的 54,643 小时印度语音上训练。同时进行了在 102 条件基准上的设计与受控研究，采用说话人和语料库留出测试。在 37 个条件上，它达到 0.914 平均宏 F1，比 Gemini 3.5 Flash 高 5.2 个点，并领先其他 14 个系统。在一秒时它比 Gemini 领先 24 个点，在所有 23 种语言上得分 0.897，而其他系统均不超过 0.713，并校准至 ECE 为 0.008。可靠的印度 LID 仍然需要一个稳健、专用且经过校准的模型。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20263 [cs.CL] |
| （或 arXiv:2610.20263v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20263 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Stephen Fernandes [查看电子邮件]
[v1]
2026 年 10 月 14 日星期三 14:29:35 UTC（530 KB）
来源：arXiv cs.CL · arxiv.org