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

Russian

Автоматическое распознавание речи (ASR) с переключением кода (CS) остается затруднительным, потому что реальная речь CS редка, а синтетическая речь не полностью соответствует ей. Мы исследуем, является ли синтетическая речь CS более полезной для обучения адаптационной инициализации, чем для обычного непрерывного тонкого настройки. Мы предлагаем SyRA-CS, парно-специфическую синтетическую адаптационную структуру на основе мета-обучения рептилий. Для каждой языковой пары и предтренированной модели мы мета-тренируем соответствующий синтетический подсектив CS-FLEURS и затем адаптируем, используя один час маркированной реальной целевой речи. Мы оцениваем четыре архитектора

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