Ethio-ASR：エチオピア言語のための、言語識別とマルチリンガル音声認識を統合した手法

Abstract

本稿では、エチオピアの5言語――アムハラ語、ティグリニャ語、オロモ語、シダーマ語、ウォライッタ語――に対して共同学習した、多言語CTCベースの自動音声認識（ASR）モデル群であるEthio-ASRを提案します。これらの言語はアフロアジア語族のセム語派、クシ語派、オモティック語派に属しており、エチオピアの人口の大多数によって話されているにもかかわらず、音声技術の分野では依然として著しく過小評価・未代表の状態が続いています。私たちは、最近公開されたWAXALコーパスを用いて、複数の事前学習済み音声エンコーダでモデルを学習し、OmniASRを含む強力な多言語ベースラインに対して評価します。私たちの最良モデルは、WAXALのテストセットにおいて平均WER 30.48%を達成し、はるかに少ないパラメータ数で、最良のOmniASRモデルを上回ります。さらに、性別バイアスに関する包括的な分析、母音の長さおよび子音の重複（gemination）がASR誤りに与える寄与、多言語CTCモデルの学習ダイナミクスも示します。私たちのモデルおよびコードベースは研究コミュニティに対して公開されています。