我们立足何处：乌尔都语自动语音识别模型基准评估

现代自动语音识别系统在基准数据集上报告的低词错误率存在质疑，实际表现显著高于报告结果。

研究制定了高质量数据集创建的准则，以训练和测试强大的ASR系统。

人类在阿拉伯语及其方言的识别表现明显优于机器。

介绍了阿拉伯语语音数据集QASR，包含2000小时的文本和语音数据，用于多种NLP任务的训练和评估。

提出了一种基于拼写和分词的自动化WER规范系统，实验显示平均WER降低了13.28%。

通过适应和微调技术提高了印度语言Bengali和Bhojpuri的ASR性能，探讨了多模态数据的重要性。

在嘈杂的呼叫中心环境中，使用链式混合HMM和CNN-TDNN构建资源高效的ASR系统，识别错误率为5.2%。

介绍了一种新型流程，用于从有声读物生成ASR训练数据集，解决资源稀缺语言的ASR性能问题。

提出了一种基于令牌的非破坏性WER计算方法，能够更细致地分类转录错误。

研究印地语脚本的多语言ASR模型评估问题，提出新规范化方案以确保评估准确性。