构建用于儿童阅读训练与评估的ASR解决方案

arXiv cs.CL 论文
automatic-speech-recognition children-reading literacy-assessment bambara open-source fine-tuning low-resource-language

摘要

介绍了一个用于评估班巴拉语儿童阅读的开源ASR系统，包括现场数据收集、基准构建、模型适配和课堂验证，实现了显著的词错误率降低。

arXiv:2606.31508v1 公告类型：新 摘要：针对儿童阅读的自动语音识别技术在大多数非洲语言（包括班巴拉语）中仍然发展不足，尽管其在可重复的读写能力评估方面具有潜在价值。我们介绍了一个用于评估班巴拉语儿童阅读的开源系统，该系统的开发通过一个端到端流程，连接了现场数据收集、基准构建、模型适配、阅读应用和课堂验证。我们使用一个移动收集和评估应用从60名儿童中收集了55小时的原始阅读语音，并由此构建了一个用于班巴拉语儿童阅读评估的公共基准。微调实验比较了Soloni（一个针对班巴拉语适配的Fast-Conformer ASR框架，带有TDT和CTC解码器）和QuartzNet（一个紧凑的卷积ASR架构）。最佳的Soloni模型将词错误率从0.42降至0.22，字符错误率从0.15降至0.08，在孤立基准上显著优于QuartzNet。实验进一步表明，对相同文本的重复阅读提供了依赖于架构的好处：它们显著改善了QuartzNet，但对Soloni仅增加了微小的收益，而SpecAugment在不超出最佳未增强配置的情况下规范了训练。分解分析表明，10岁以下儿童是残留错误的主要来源，这促使针对更年轻读者进行有针对性的收集。十次课堂试验支持了该应用的持续使用。
查看原文
查看缓存全文

缓存时间: 2026/07/01 05:34 

# 构建用于训练和评估儿童阅读的ASR解决方案
来源：https://arxiv.org/abs/2606.31508
查看PDF (https://arxiv.org/pdf/2606.31508)

> 摘要：儿童阅读的自动语音识别技术在大多数非洲语言中仍不成熟，班巴拉语也不例外，尽管该技术对可复现的读写能力评估具有潜在价值。我们提出了一套用于评估班巴拉语儿童阅读的开源系统，该系统通过一个端到端的流程进行开发，连接了实地数据收集、基准构建、模型适配、阅读应用及课堂验证。我们使用一款移动端收集与评估应用，从60名儿童处收集了55小时的原始朗读语音，并据此构建了一个公开的班巴拉语儿童阅读评估基准。微调实验比较了Soloni（一个适配班巴拉语的Fast-Conformer ASR框架，配备TDT和CTC解码器）与QuartzNet（一种紧凑型卷积ASR架构）。最佳Soloni模型将词错误率从0.42降至0.22，字符错误率从0.15降至0.08，在孤立基准上显著优于QuartzNet。实验进一步表明，对相同文本进行重复朗读带来了架构相关的收益：它们显著提升了QuartzNet的性能，但对Soloni仅带来边际提升，而SpecAugment则对训练起到了正则化作用，但其效果未超过最佳未增强配置。分解分析发现，10岁以下儿童是残差错误的主要来源，这促使我们针对更年幼的读者进行定向数据收集。十次课堂试验支持了该应用的持续使用。

## 提交历史

来自：Michael Leventhal [查看邮件 (https://arxiv.org/show-email/500ae39a/2606.31508)] **\[v1\]** 2026年6月30日星期二 11:24:17 UTC (322 KB)

相似文章

使基础ASR模型适应构音障碍语音：一项案例研究

arXiv cs.CL

本文介绍了一个针对构音障碍说话者的个性化ASR系统，通过对Whisper基础模型进行微调，仅使用22.5小时的适应数据加上8.8小时的用户纠正，实现了9.7%的词错误率。结果表明，个性化微调可以显著提升基础ASR模型对构音障碍语音的效果，并且通过部署的移动应用实现了真实世界的数据收集。

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。

商业ASR系统在代码切换语音上的基准测试：阿拉伯语、波斯语和德语

arXiv cs.CL

本文提出了一个基准测试，评估了五个商业ASR系统在阿拉伯语-英语、波斯语-英语和德语-英语代码切换语音上的性能，使用两阶段管道为每个语言对选择300个样本，并通过WER和BERTScore评估性能。ElevenLabs Scribe v2在整体上取得了最低的WER（13.2%）和最高的BERTScore（0.936），并提供公开数据集。

@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。