Polyglot-Lion: Qwen3-ASRのバランスの取れたファインチューニングによるシンガポール向けの効率的な多言語ASR

概要: 私たちは Polyglot-Lion を紹介します。これは、シンガポールの言語環境に合わせたコンパクトな多言語自動音声認識（ASR）モデルのファミリーで、英語、マンダリン、タミル語、マレー語を対象としています。私たちのモデルは、公開されている音声コーパスのみに専用にファインチューニングすることによって得られ、言語ごとの訓練発話数を均等化するバランスの取れたサンプリング戦略を用い、言語タグ条件付けを意図的に省略することで、モデルが音声から言語を暗黙的に識別するように学習します。対象の4言語を含む12のベンチマークにおいて、Polyglot-Lion-1.7B は平均エラー率 14.85 を達成し、6倍大きいモデル MERaLiON-2-10B-ASR (14.32) と競合します。これに対し、単一の RTX PRO 6000 GPU でのトレーニングコストは 81、128-GPU ベースラインは 18,862 となります。推論スループットは MERaLiON より約 20 倍高速で、0.10 秒/サンプル対 2.02 秒/サンプルです。これらの結果は、中規模の事前学習済みモデルを言語的にバランス良くファインチューニングすることで、より大規模な専門系システムのコストのごく一部で、デプロイ可能な多言語ASRを実現できることを示しています。