Fine-Tuning Neural ASR Models for Low-Resource Kazakh Children’s Speech with Preprocessing Enhancements

Zhansaya Duisenbekkyzy, Diana Rakhimova, Akgul Yessirkepova, Eşref Adalı

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)

DOI 10.1109/ubmk67458.2025.11206914

Деректер сенімділігі 70 орташа

Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This article presents a comprehensive study of automatic speech recognition (ASR) for Kazakh children's speech, with a particular focus on the impact of signal preprocessing techniques in a low-resource linguistic environment. Although commercial ASR systems such as Whisper and DeepSpeech have shown recent progress, their accuracy on children's speech remains limited. We propose a robust ASR pipeline that incorporates Wiener filtering, denoising autoencoders, MFCC/log-Mel features, and transformer-based models (Whisper, Conformer). A novel Kazakh child speech corpus was collected from children aged 2 to 9 via Telegram bots, spontaneous recordings, and curated phrases. We evaluated four neural ASR models under noisy and clean conditions. Our experiments demonstrate that preprocessing significantly improves performance: Whisper achieved WER = 15.4%, CER = 12.3%, Accuracy = 75.2%, BLEU = 0.90. The proposed pipeline is effective for improving ASR accuracy for spontaneous and emotionally variable child speech in low-resource environments.