論文の概要: How Architecture, Typology, and Adaptation Strategies Shape ASR for Low-Resource African Languages: A Controlled Empirical Study

• arxiv url: http://arxiv.org/abs/2610.39004v1
• Date: Wed, 28 Oct 2026 22:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:03:54.549503
• Title: How Architecture, Typology, and Adaptation Strategies Shape ASR for Low-Resource African Languages: A Controlled Empirical Study
• Title（参考訳）: 低リソースアフリカ言語におけるアーキテクチャ, タイポロジー, 適応戦略のASR形成に関する実証的研究
• Abstract要約: 我々は,低リソースの5言語と,中リソースのコントラストとしてスワヒリを体系的に比較した。 我々は、データ充足、単言語対多言語適応、ドメインファインチューニング、言語適応変換を解析する。 Phi-4 は最高精度を達成し、MSM は同等の CER を示し、Whisper は既知の幻覚や繰り返しループと一致して高い CER を示す。
• 参考スコア（独自算出の注目度）: 0.5279721241562398
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite recent advancements in ASR, identifying effective architectures, fine-tuning approaches, and data adaptation strategies for low-resource languages remains challenging. We present a systematic comparison across five low-resource African languages and Swahili as a mid-resource contrast, fine-tuning three models from distinct architectures: Phi-4-multimodal-instruct, Whisper-large-v3-turbo, and MMS-1B-all. We analyze data sufficiency, monolingual versus multilingual adaptation, domain fine-tuning, and language-adapter transfer. Phi-4 achieves the best overall accuracy, MMS shows comparable CER, while Whisper exhibits high CER, consistent with known hallucinations and repetition loops. Performance saturates at different data scales, offering practical data-efficiency targets, while typological complexity consistently shapes error rates. Domain fine-tuning benefits Phi-4 and Whisper but degrades MMS, revealing limitations of adapter-based adaptation. Proxy language adapters outperform training MMS adapters from scratch.
• Abstract（参考訳）: ASRの最近の進歩にもかかわらず、効率的なアーキテクチャ、微調整アプローチ、低リソース言語に対するデータ適応戦略の特定は依然として困難である。 我々は、Phi-4-multimodal-instruct、Whisper-large-v3-turbo、MMS-1B-allの5つの低リソースのアフリカ言語とSwahiliを、中間リソースのコントラストとして体系的に比較した。 我々は、データ充足、単言語対多言語適応、ドメインファインチューニング、言語適応変換を解析する。 Phi-4 は最高精度を達成し、MSM は同等の CER を示し、Whisper は既知の幻覚や繰り返しループと一致して高い CER を示す。 パフォーマンスはさまざまなデータスケールで飽和し、実用的なデータ効率の目標を提供する。 ドメインファインチューニングは、Phi-4とWhisperの恩恵を受けるが、MMSを劣化させ、アダプタベースの適応の制限を明らかにする。 プロキシ言語アダプタは、MMSアダプタをスクラッチからトレーニングする上で優れています。

関連論文リスト

• Adding Robust Code-Switching Capabilities to High Performance Multilingual ASR [61.09730719510015]
  言語間の形態的変化を含む複雑なコードスイッチングを扱うために、モデルを拡張します。 提案手法は、コードスイッチされた単語の書き起こし誤りを32.87%削減し、WER全体の5.31%改善し、モノリンガル性能を維持した。
  論文  参考訳（メタデータ） (2026-06-20T11:02:29Z)
• KIT-TIP-NLP at MultiPride: Continual Learning with Multilingual Foundation Model [0.06999740786886534]
  このフレームワークは、データ不足、クラス不均衡、感情表現の言語間変異といった、相互に絡み合った3つの方法論的課題を処理する。 クロスバリデーションによるデータ駆動モデル選択、バックトランスレーションによるセマンティック保存強化、動的エポックレベルのアンダーサンプリングによるインダクティブトランスファー学習、ドメイン固有の知識注入を統合する。 RUN 1 は拡張とアンダーサンプリングによる帰納的伝達学習であり、RUN 2 はマスク付き言語モデリング事前学習、RUN 3 と RUN 4 は ROC 分析によって最適化された言語固有の決定しきい値によって改善された以前の予測である。
  論文  参考訳（メタデータ） (2026-05-13T12:10:47Z)
• Beyond Many-Shot Translation: Scaling In-Context Demonstrations For Low-Resource Machine Translation [49.82863380286994]
  In-context Learningは、低リソース機械翻訳にLarge Language Modelsを適用する新しい方法を提供するかもしれない。 本研究では,Long-context モデルを用いた数千例のサンプルに対して,数ショット設定以上の低リソース機械翻訳ICLのスケーリングについて検討する。 JavaneseとSundaneseに関する我々の実験は、追加のコンテキストからのゲインがすばやく飽和し、最大コンテキストウィンドウの近くで分解可能であることを示している。
  論文  参考訳（メタデータ） (2026-02-04T17:02:22Z)
• Adapting Where It Matters: Depth-Aware Adaptation for Efficient Multilingual Speech Recognition in Low-Resource Languages [11.808922632545874]
  我々は多言語自動音声認識モデルを分析し、U字型適応パターンを明らかにする。 本稿では,各レイヤの役割に応じて適応能力を割り当てる,深層対応モデル適応フレームワークDAMAを提案する。 Damaは、最先端の精度とトレーニング可能なパラメータを80%削減し、極端なデータ不足下で29%のエラー削減を実現し、ベースラインよりもメモリ、トレーニング時間、計算効率を大幅に改善する。
  論文  参考訳（メタデータ） (2026-02-01T04:18:31Z)
• Benchmarking Automatic Speech Recognition Models for African Languages [0.08662702218563621]
  13のアフリカ言語で4つの最先端のASRモデルをベンチマークする。 異なる条件下でモデルが異なる振る舞いをする理由について、新たな洞察を提供する。 本研究は、表現不足言語のためのASRシステムの設計に関する実践的および洞察を提供する。
  論文  参考訳（メタデータ） (2025-11-30T10:21:19Z)
• Efficient Multilingual ASR Finetuning via LoRA Language Experts [59.27778147311189]
  本稿では,WhisperをベースとしたLoRA言語エキスパートによる多言語ASRをカスタマイズするための効率的な微調整フレームワークを提案する。 LoRAエキスパート融合や知識蒸留により,本手法は従来の微調整法よりも目標言語での認識性能が向上する。 実験の結果,提案モデルでは,言語認識および言語認識のシナリオにおいて,約10%と15%の性能向上が得られた。
  論文  参考訳（メタデータ） (2025-06-11T07:06:27Z)
• SMILE: Speech Meta In-Context Learning for Low-Resource Language Automatic Speech Recognition [55.2480439325792]
  音声メタインコンテキスト学習(SMILE)は、メタラーニングと音声インコンテキスト学習(SICL)を組み合わせた革新的なフレームワークである SMILEは、トレーニング不要な多言語ASRタスクにおいて、ベースライン手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T16:04:16Z)
• An Initial Investigation of Language Adaptation for TTS Systems under Low-resource Scenarios [76.11409260727459]
  本稿では,最近のSSLベースの多言語TSシステムであるZMM-TTSの言語適応性について検討する。 本研究では,事前学習言語と対象言語との音声学的な類似性が,対象言語の適応性能に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-06-13T08:16:52Z)
• Master-ASR: Achieving Multilingual Scalability and Low-Resource Adaptation in ASR with Modular Learning [28.592569051244375]
  METHODNSは、強力な多言語スケーラビリティと低リソース適応性を同時に実現している。 我々のフレームワークは、最先端(SOTA)メソッドよりも30%少ない推論オーバーヘッドで、0.13$sim$2.41低い文字誤り率(CER)を達成する。
  論文  参考訳（メタデータ） (2023-06-23T16:23:00Z)
• Distributionally Robust Multilingual Machine Translation [94.51866646879337]
  本稿では,分散的ロバストな最適化に基づくMNMT(Multilingual Neural Machine Translation)の新しい学習目標を提案する。 この目的を,反復的最適応答方式を用いて,大規模翻訳コーパスに対して実用的に最適化する方法を示す。 本手法は,多対一の翻訳設定と多対多の翻訳設定の両方において,平均と言語毎のパフォーマンスにおいて,強いベースライン法より一貫して優れる。
  論文  参考訳（メタデータ） (2021-09-09T03:48:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。