Fine-Tuning the Wav2vec2 Model for Kazakh Speech: A Study on a Limited Corpus

Bauyrzhan Kairatuly, Мадина Мансурова, Assel Ospan

2023

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/sist58284.2023.10223504
Деректер сенімділігі 85 жоғары
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

In this study, we developed a model for automatic recognition of Kazakh speech by fine-tuning the XLSR-Wav2Vec2 pre-trained model to a corpus of Kazakh speech. Our results show that fine-tuning the wav2vec2 model on a small corpus of Kazakh speech allows a significant increase in recognition accuracy. However, larger datasets are needed to further evaluate the effectiveness of this approach. The results of this study contribute to ongoing efforts to improve speech recognition technology for low-resource languages such as Kazakh.