LAHAJA：评估印地语自动语音识别系统的多口音基准
内容提要
本文首次大规模研究梵语自动语音识别（ASR），发布了78小时的数据集，探讨声学和语言模型单元的影响。研究还涉及印度英语口音的ASR系统，创建了包含12种语言的Shrutilipi数据集，以提升模型准确性。此外，提出了Vistaar基准和Svarah测试数据集，评估印度口音的ASR表现，并发布了支持22种语言的INDICVOICES数据集。所有数据和工具将公开。
延伸解读
多语言ASR资源建设的进展
文章汇总了多个印度语言ASR资源项目，包括Shrutilipi（12种语言、6400小时）、INDICVOICES（22种语言、7348小时）等。这些数据集覆盖广泛，为低资源语言研究提供了重要基础。同时，IndicASR模型支持22种官方语言，标志着多语言ASR系统的进步。这些资源的公开将促进相关领域的研究与应用。
口音多样性带来的挑战
针对印度口音的ASR评估，文章提到了Svarah基准和Vistaar基准。Svarah包含65个地点的117位说话者，揭示了模型在口音适应上的改进空间；Vistaar则评估了多个ASR系统，并通过IndicWhisper微调提升了性能。这表明，尽管资源增加，口音多样性仍是ASR系统需要克服的关键难点。
技术方法：单元选择与模型微调
文章探讨了单元选择对梵语ASR词错误率的影响，并提出了新的模型单元。同时，通过转移学习和数据增强对Deep Speech模型进行微调，以适应印度英语口音。这些方法强调了针对特定语言和口音优化模型的重要性，为后续研究提供了技术参考。
Q&A
梵语自动语音识别（ASR）研究的主要发现是什么？
研究首次发布了78小时的梵语ASR数据集，并探讨了声学模型和语言模型单元对ASR系统的影响。
Shrutilipi数据集包含哪些内容？
Shrutilipi数据集包含来自12种印度语言的6,400小时语音和4.95M句子，旨在提高模型的准确性。
Vistaar基准的目的是什么？
Vistaar基准用于评估和改进多个ASR系统，显著改善了考虑的ASR系统表现。
INDICVOICES数据集的特点是什么？
INDICVOICES数据集涵盖145个印度地区和22种语言，包含7348小时自然和自发的语音。
如何评估ASR模型在印度口音上的表现？
通过创建Svarah基准测试数据集，评估来自117位说话者的9.6小时语音数据，发现改进空间。
IndicASR模型的创新之处是什么？
IndicASR是第一个支持印度宪法第八版中列出的22种语言的ASR模型，旨在提升多语言识别能力。
