Easper：一个用于语言记录的可访问ASR流水线

arXiv cs.CL 论文
asr speech-recognition language-documentation fine-tuning endangered-languages open-source

摘要

本文介绍了Easper，一个开源、无代码的ASR流水线，让田野语言学家可以直接从ELAN标注中对Whisper等模型进行微调，并评估了在瓦努阿图低资源语言上引导ASR的数据选择策略。

arXiv:2608.11629v1 公告类型：新 摘要：音频转写是语言记录中的关键瓶颈。虽然像Whisper这样的多语言自动语音识别（ASR）模型提供了解决方案，但田野语言学家往往缺乏使用这些模型的专业知识。我们提出了Easper，一个开源、无代码的工作流程，使语言学家能够通过云资源直接从ELAN标注中迭代微调ASR模型。部署ASR还带来一个冷启动问题：决定首先转写哪些录音以引导出一个准确的模型。使用Easper，我们在三种瓦努阿图语言（比斯拉马语、纳夫桑语、恩古纳语）上评估了转写优先级策略。我们按录音会话微调模型，比较在优先考虑声学清晰度与语言丰富性时的字符错误率轨迹。我们证明，优先选择词汇丰富的叙述并增加声学-语音重复，即使在嘈杂环境中，也能更快地提高转写质量。
查看原文
查看缓存全文

缓存时间: 2026/08/13 15:27 

# Easper：面向语言记录的易用ASR流水线
Source: https://arxiv.org/html/2608.11629
Mahmudi Dang Vylomova Thieberger

###### 摘要

音频转录是语言记录中的关键瓶颈。虽然像Whisper这样的多语言自动语音识别（ASR）模型提供了解决方案，但田野语言学家往往缺乏利用它们的专业知识。我们提出了Easper，一个开源、无代码的工作流，使语言学家能够通过云资源直接从ELAN标注迭代微调ASR模型。部署ASR

相似文章

转录儿童语音：ASR性能与获取可靠的正字法转写

arXiv cs.CL

这篇论文评估了九种ASR模型（Whisper、Parakeet、Wav2Vec2）在荷兰语儿童语音数据集JASMIN和DART上的表现，发现微调后的Whisper-medium取得了最佳性能（在JASMIN上WER为5.54%，在DART上为70.37%）。它还提出了一种选择方法，能够以高精度自动识别发音正确的录音片段，从而减少人工验证的需求。

@MaxForAI: 如果你在做语音Agent，你应该试一下这个项目 来自南洋理工、新国立和上海 AI Lab的团队发布了：Mega-ASR 这个完全开源的ASR基于 Qwen3-ASR构建，目的是打破长期困扰ASR的在嘈杂、混响或其他受损现实环境中表现的瓶颈…

X AI KOLs Timeline

南洋理工、新国立和上海 AI Lab 联合发布 Mega-ASR，一个基于 Qwen3-ASR 构建的完全开源 ASR 模型，通过 Voices-in-the-Wild-2M 数据集和渐进式声学到语义优化，在真实世界嘈杂环境中实现最高 30% 的相对词错误率下降，且仅 1.7B 参数可在消费级硬件高效推理。