Newest papers

SyRA-CS: Synthetic-to-Real Adaptation for Code-Switched ASR with Meta-Learning

Fadel Thior, Ahmer Tabassum, Haania Siddiqui, Hanan Aldarmaki, Thamar Solorio · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31415 · open-access PDF

German

Code-Switched (CS) automatische Spracherkennung (ASR) bleibt schwierig, weil echte CS-Sprache selten ist und synthetische Sprache nicht vollständig mit ihr übereinstimmt. Wir untersuchen, ob synthetische CS-Sprache nützlicher ist, um eine anpassungsfreundliche Initialisierung zu erlernen, als für gewöhnliche kontinuierliche Fine-Tuning. Wir schlagen SyRA-CS vor, ein Paar-spezifisches synthetisches-zu-reales Anpassungsrahmen basierend auf Reptile-Meta-Learning. Für jedes Sprachpaar und jedes vorgeschultes Modell meta-trainieren wir auf dem entsprechenden synthetischen CS-FLEURS-Subset und adaptieren dann mit einer Stunde gekennzeichneter realer Zielsprache.

Machine translation (Meta M2M100); the English original follows.

Abstract

Code-switched (CS) automatic speech recognition (ASR) remains difficult because real CS speech is scarce and synthetic speech does not fully match it. We investigate whether synthetic CS speech is more useful for learning an adaptation-friendly initialization than for ordinary continual fine-tuning. We propose SyRA-CS, a pair-specific synthetic-to-real adaptation framework based on Reptile meta-learning. For each language pair and pretrained model, we meta-train on the corresponding synthetic CS-FLEURS subset and then adapt using one hour of labeled real target speech. We evaluate four archite

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange