Mai Ho'omāuna i ka 'Ai：语言模型改进夏威夷语自动语音识别
Mai Ho'omāuna i ka 'Ai: Language Models Improve Automatic Speech Recognition in Hawaiian
AI总结：
针对夏威夷语低资源ASR难题，本文用约150万词文本训练外部语言模型并重打分Whisper，在人工测试集上显著降低WER，证明充分利用可用数据可改进代表性不足语言的语音识别。
摘要：
本文中，我们应对提升低资源语言夏威夷语自动语音识别（ASR）性能的挑战，方法是将大量独立文本数据纳入ASR基础模型Whisper。为此，我们在约150万词的夏威夷语文本上训练了一个外部语言模型（LM）。随后，我们使用该LM对Whisper进行重打分，并在一个人工整理的带标签夏威夷语数据测试集上计算词错误率（WER）。作为基线，我们使用不带外部LM的Whisper。实验结果表明，当ASR输出经夏威夷语LM重打分后，WER获得了微小但显著的改善。结果支持在为代表性不足的语言开发ASR系统时利用所有可用数据。
英文摘要：
In this paper we address the challenge of improving Automatic Speech Recognition (ASR) for a low-resource language, Hawaiian, by incorporating large amounts of independent text data into an ASR foundation model, Whisper. To do this, we train an external language model (LM) on ~1.5M words of Hawaiian text. We then use the LM to rescore Whisper and compute word error rates (WERs) on a manually curated test set of labeled Hawaiian data. As a baseline, we use Whisper without an external LM. Experimental results reveal a small but significant improvement in WER when ASR outputs are rescored with a Hawaiian LM. The results support leveraging all available data in the development of ASR systems for underrepresented languages.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
