本研究介绍了一种新型流程，用于从有声读物生成ASR训练数据集，以解决资源稀缺语言中ASR系统性能较差的问题。该方法通过对齐音频和文本，并分割成适合ASR训练的长度，简化了数据准备工作。通过亚美尼亚语的案例研究，证明了该方法的应用价值。适用于多种资源稀缺语言，提高了低资源语言的ASR模型性能。

本研究通过对大语言模型进行适应和扩展，探究了构建语言专属大语言模型的方法。发现词汇扩展和持续微调可以提高模型效率，适应方法取决于语言。适应以英语为中心的模型在资源稀缺语言上表现更好。该研究为构建语言专属大语言模型提供了基础。

本研究通过对大语言模型进行适应和扩展，探究了构建语言专属大语言模型的方法。实验结果表明，通过词汇扩展和持续微调可以提高大语言模型的效率和任务性能。适应方法的选择取决于语言，简单的方法在各种实验中表现良好。相比适应多语言模型，以英语为中心的模型在资源稀缺语言上表现更好。这项工作为构建语言专属大语言模型提供了基础。

本研究介绍了一种新型流程，用于从有声读物生成ASR训练数据集，以解决资源稀缺语言中ASR系统性能较差的问题。该方法通过对齐音频和文本，并分割成适合ASR训练的长度，简化了数据准备工作。通过亚美尼亚语的案例研究，证明了该方法的应用价值。适用于许多资源稀缺语言，不仅解决了数据匮乏问题，还提高了低资源语言的ASR模型性能。