GigaSpeech 3: scalare il riconoscimento vocale dell’arabo in più dialetti con dati etichettati debolmente

Abstract degli autori

Il riconoscimento vocale dell’arabo dialettale è ancora limitato dalla scarsità di parlato trascritto e suddiviso per dialetto, nonostante l’abbondanza di audio sul web. Presentiamo GigaSpeech 3, un corpus di 39.000 ore e 10 milioni di segmenti vocali trascritti debolmente, che coprono l’arabo algerino, egiziano, iracheno, saudita e siriano. Partendo da 60 ore di trascrizione manuale per dialetto, addestriamo modelli di etichettatura usando l’apprendimento autosupervisionato orientato al riconoscimento vocale e li applichiamo ad audio web corrispondente ai dialetti. La selezione dei dati e quattro cicli di perfezionamento con il metodo noisy student per l’arabo saudita e siriano producono il corpus finale. Ne convalidiamo l’utilità addestrando sistemi di riconoscimento vocale specifici per dialetto e multidialettali, e valutandoli su domini diversi. Su GigaSpeechBench, i modelli finali specifici per dialetto superano i rispettivi modelli di etichettatura in tutti e cinque i dialetti e raggiungono un tasso medio macro di errore sulle parole del 23,86%, con una riduzione relativa del 16,6% rispetto al più performante sistema di terze parti che copre tutti e cinque i dialetti, superando inoltre il miglior risultato di terze parti in tre dialetti. Un modello multidialettale che usa le identità dei dialetti predette dal modello stesso raggiunge un tasso medio macro di errore sulle parole del 25,51% e supporta anche l’arabo standard moderno. In otto condizioni tratte da tre corpus esterni, uno Zipformer addestrato su GigaSpeech 3 ottiene il tasso di errore sulle parole più basso tra i sei modelli valutati in ogni condizione, mentre l’adattamento del riconoscitore vocale Qwen3 su GigaSpeech 3 migliora le prestazioni in tutte e otto le condizioni. Rilasciamo il corpus e le procedure come base per l’elaborazione del parlato arabo consapevole dei dialetti.