本研究探讨了大型视觉-语言模型（LVLM）在处理非英语输入时的不足。通过多阶段实验，提出了优化多语言训练策略的关键洞察，发现使用25-50%的非英语数据可以显著提升多语言性能，并引入新基准任务以增强图像中文本理解能力。

本研究提出了一种新的多语言训练范式LDP，旨在提升多语言视觉信息提取模型在非英语场景中的表现。通过有效利用单语预训练数据，LDP增强了跨语言泛化能力。实验结果表明，LDM模型在各项评估中超越了现有模型，并在单语言基准测试中表现出竞争力。

本研究提出Marco-LLM，通过大规模多语言训练，提升低资源语言在多语言任务中的表现，缩小了高资源语言与低资源语言之间的性能差距。

本文探讨了利用单一声学模型进行多语言训练，以提升低资源语言的自动语音识别（ASR）性能。研究表明，多语言训练的ASR模型在51种语言上优于单语言训练，尤其在低资源语言方面。提出的多种模型和方法，如METHODNS和MC-SA-ASR，显著提高了多语言和低资源语音识别的效果。此外，研究介绍了MSR-86K语料库，为多语言ASR研究提供了新的数据支持。

本研究探讨了跨语言大型语言模型在情感识别中的表现，发现其存在英语中心主义倾向，未能有效捕捉文化情感细微差别。研究提出多语言训练策略，强调中间层特征对情感信息的重要性，并展示了大型语言模型在资源匮乏语言中的应用潜力。实验结果表明，集成模型在情感检测中表现优异，推动了情感认知能力的提升。

本文研究了在低资源环境下提高自动语音识别（ASR）和语音翻译性能的方法。通过多语言训练和预训练声学模型，显著提升了识别精度，尤其是对低资源语言。同时探讨了知识蒸馏和自监督学习等技术，以优化模型并降低训练数据需求。

本文探讨了利用单一声学模型进行多语言训练，以提升低资源语言的自动语音识别（ASR）性能。研究表明，多语言训练的ASR模型在51种语言上优于单语言训练，尤其对低资源语言效果显著。该研究为语音识别和翻译等应用提供了新的可能性。

本文探讨了提高低资源语言自动语音翻译质量的方法，研究表明高资源语言的ASR模型训练能有效提升翻译质量。预训练模型的词错误率是关键因素，数据增强与预训练互补。此外，提出了多语言训练的ASR模型，显著提高低资源语言的识别性能，并介绍了新的评价指标和语料库，推动多语言语音识别研究的发展。

本文介绍了GigaSpeech语音识别语料库，包含多领域的高质量音频，提供训练子集和新对齐管道。研究表明，基于GigaSpeech 2的模型在低资源语言上显著提高了识别性能，降低了词错误率。同时，探讨了多语言训练对低资源语言ASR的优势，并展示了多种语言的基准测试结果。

近年来，自我监督学习在语音处理领域取得显著进展。本文提出了 Fast-HuBERT 方法，通过优化计算成本，缩短了训练时间并提升了速度。同时，研究探讨了多语言训练与自监督学习结合的方法，显著提高了低资源自动语音识别（ASR）的性能。实验结果表明，该方法在多种语言上优于标准 HuBERT，并节省了大量有监督训练数据。