Компьютерная наука > Расчет и язык [представлен 5 октября 2026 года] Название: Schepering Manual: Smart subset Selecting for ASR Fine-Tuning View PDF HTML (экспериментальное) Резюме. Это затрудняет адаптацию этих моделей к новым языкам или областям. В рамках этой работы мы внедряем подход, основанный на выборе подмножества для отбора более мелких комплектов учебных материалов в целях уточнения АСО. Используя специально подготовленный энкодер Whshpers, мы наносим каждый аудио образец в фиксированное пространство и применяем жадный алгоритм k-центра для отбора разнообразных и репрезентативных поднаборов учебных данных. Мы оцениваем этот подход как на иврите, так и на датском языке, показывая, что выбор k-центров часто улучшается при произвольной выборке, особенно в меньших размерах поднабора. Анализ лексического разнообразия показывает, что подмножество k-центров охватывает более широкий диапазон лингвистического контента, чем случайные поднаборы одного и того же размера, что может помочь объяснить их наблюдаемую эффективность. В целом наши результаты показывают, что выбор подмножества на основе встраивания обеспечивает практическую стратегию отбора поднаборов АСР на двух языках с оценкой, при этом наиболее очевидный эффект от этого имеет более узкий выборочный бюджет. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite…
Шепчущая мудрая: Умная подсборка для SR тонкий поворот
arXiv: 261 030,32997v1 Annuales Type: New Extraview: Автоматическое распознавание речи (ASR) модели, такие как OpenAIs Whisper значительно улучшили качество распознавания речи, но остаются дорогими для уточнения, особенно когда имеется большое количество транскрибированного звука. Это затрудняет адаптацию этих моделей к новым языкам или областям. В рамках этой работы мы внедряем подход, основанный на выборе подмножества для отбора более мелких комплектов учебных материалов в целях уточнения АСО. Используя специально подготовленный энкодер Whshpers, мы наносим каждый аудио образец в фиксированное пространство и применяем жадный алгоритм k-центра для отбора разнообразных и репрезентативных поднаборов учебных данных. Мы оцениваем этот подход как на иврите, так и на датском языке, показывая, что выбор k-центров часто улучшается при произвольной выборке, особенно в меньших размерах поднабора. Анализ лексического разнообразия показывает, что подмножество k-центров охватывает более широкий диапазон лингвистического контента, чем случайные поднаборы