arXiv cs.CL· Katsumi Ibaraki, David Chiang·· 6 天前AI 评分22
错误率还不够：低资源 ASR 中数据增强的代价
Error Rate is Not Enough: Costs of Augmentation in Low-Resource ASR
AI 导读
研究在四种低资源语言和英语、五种数据规模上交叉对比了音频类增强（speed perturbation、SpecAugment）与文本类增强，并在音素层面分析错误。
正文 · AI 翻译
摘要：数据增强是低资源自动语音识别（ASR）的标准做法，但其收益几乎总是以总体错误率来报告，从而未能说明一种方法为何以及何时有效。在四种低资源语言和英语上、五种数据规模下，我们将两种修改现有音频的增强方法（速度扰动和 SpecAugment）与两种修改文本转写并据此合成音频的方法进行交叉组合。我们在音素层面分析错误，发现它们因互补的原因而有效。SpecAugment 具有最可靠的总体改进，但会增加声调和腭化错误，而基于文本的方法会引入辅音插入；两者结合时，各自都能减少对方引入的错误。这种互补性是可预测的。声调和腭化各自由单一声学特性所标示，并且在训练中出现频率最低（训练暴露最少），而拉平词频的基于文本的方法将其频率提高了 37--38%，从而逆转了这些错误，同时进一步改善了总体错误。组合这些方法所带来的改进超过它们各自改进之和；这种超加性在 100 小时后消失，从而将互补性限制在低资源情形。在特定错误类型很重要的情况下，我们建议根据训练暴露和声学特性来选择增强方法，这两者都可以在任何训练之前测量。
| 评论： | 5 页 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.13807 [cs.CL] |
| （或 arXiv:2610.13807v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13807 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Katsumi Ibaraki [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 16:19:43 UTC（43 KB）
来源：arXiv cs.CL · arxiv.org