本文提出了一种新的参数高效的跨语言转移学习框架，通过基于翻译的对齐方法来减少多语言差异，并采用微调方法来提高效率。实验证明，该框架在跨语言转移方面取得了显著改进，尤其在低资源场景下，只需保留和微调极少量的参数。

该研究提出了一种跨语言转移学习方法，使用无标签语音数据集和自我训练来提高单语言 wav2vec-2.0 模型的自动语音识别性能。经过调整后，该模型在目标语言 ASR 任务上表现类似于训练了 53 种语言的顶级多语言 XLSR 模型。

本文提出了一种新的参数高效的跨语言转移学习框架，利用基于翻译的对齐方法来缓解多语言差异，并探索参数高效的微调方法。经过实验表明，该框架显著减少了语言之间的差异，并在跨语言转移方面取得了改进，尤其在低资源场景中，同时只保留和微调极少量的参数。

本文提出了一种新的参数高效的跨语言转移学习框架，利用基于翻译的对齐方法来缓解多语言差异，并探索参数高效的微调方法。实验表明，该框架显著减少了语言之间的差异，在跨语言转移方面取得了改进，尤其在低资源场景中，同时只保留和微调极少量的参数。

本文提出了一种新的参数高效的跨语言转移学习框架，通过基于翻译的对齐方法缓解多语言差异，并探索参数高效的微调方法。实验证明，该框架显著减少了语言之间的差异，在跨语言转移方面取得了改进。尤其在低资源场景中，只需保留和微调极少量的参数，相比全模型仅需0.16%的额外参数。