Fine-tuning OpenAI’s Whisper model for Kazakh speech recognition

2026

Толық мәтін Ашық қол жеткізу: Gold Метадеректер (CSL-JSON)
DOI 10.11591/ijai.v15.i5.pp4053-4060
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

Speech recognition remains a challenging task, especially for low-resource languages such as Kazakh. This study explores the effectiveness of fine-tuning OpenAI’s Whisper model on Kazakh speech data for improving speech recognition accuracy. The Kazakh speech corpus (KSC) is used as a benchmark dataset and to conduct experiments to evaluate how the adapted Whisper framework measures up against current leading speech recognition models, including deep neural network (DNN)-hidden Markov model (HMM), end-to-end long short-term memory (E2E-LSTM), and end-to-end transformer (E2E-transformer). Research outcomes indicate that the Whisper model outperforms all baselines after fine-tuning, showing a result with a word error rate (WER) of 12.5%, a character error rate (CER) of 3.15%, a character-level F1-score (chrF) of 93.72, and a bilingual evaluation understudy (BLEU) score of 76.05. These findings suggest that the Whisper model that is fine-tuned on Kazakh audio data can be a promising approach for improving Kazakh speech recognition accuracy. This work advances the development of speech recognition for the Kazakh language by demonstrating the effectiveness of transfer learning in low-resource languages. Subsequent research must prioritize collecting larger and more diverse speech data for Kazakh, including noisy and accented speech, to further improve speech recognition accuracy.