主页 › 范文 › 电气工程 › 本文

PSRB: 波斯语语音识别评测基准

摘要

文章提出波斯语语音识别基准（PSRB），旨在解决波斯语作为低资源语言在语音识别评估中的挑战。该基准整合多样化的语言和声学条件，评估了十种ASR系统（包括商业和开源模型），分析性能差异和固有偏见。文章深入分析波斯语ASR转录错误，识别关键错误类型并提出加权替换错误指标（SW-WER），通过减少微小错误影响提升评估鲁棒性。研究发现ASR模型在标准波斯语表现良好，但在地方口音、儿童语音和特定语言挑战上表现不佳，强调需通过微调和多样化训练数据减少偏见。PSRB为波斯语ASR研究提供资源，并为其他低资源语言建立评测框架提供参考。

1. 引言

语音识别系统（ASR）已深度融入现代生活，但其评估仍具挑战性，尤其对波斯语等低资源语言。文章提出波斯语语音识别基准（PSRB），通过整合多样化的语言、人口统计和声学条件，填补现有评测空白。该研究评估十种ASR模型，识别关键错误类型并提出新指标SW-WER，揭示系统在地方口音和儿童语音等场景的性能局限。

2. PSRB评测框架

2.1 数据集构建

PSRB数据集覆盖波斯语八大核心维度：语义内容、数据源、语音风格、语言多样性、说话人多样性、口音变异、多说话人场景和声学环境。数据源自播客、新闻和视频平台（如YouTube、Aparat），经分段（1-100秒）和严格标注流程处理。最终数据集包含3,372条语音（10.4小时），其中58.6%为自发语音，52.67%含噪声环境，71.3%为非正式语音（表2）。

2.2 评测指标创新

文章提出加权替换词错误率（SW-WER），解决传统指标缺陷：

\[ \text{SW-WER} = \frac{S + I + D}{N_{\text{sub}} + C + D}, \quad S = \sum_{i=1}^{N} n_i \cdot \text{CER}(\text{str}_1, \text{str}_2) \]

该指标对替换错误进行字符级加权（表3），在保留语义的微小错误（如"همه"→"بنام"）和语义偏离的错误（如"فوتبال"→"مدل سه"）间取得平衡，显著提升评估鲁棒性（图3）。

3. 关键发现

3.1 模型性能对比

评估十种ASR模型显示（表4）：

商业模型（Avanegar CER=8.75%）优于开源模型，主因是高质量监督数据优势
多语言模型中Google Chirp表现最佳（CER=9.05%），但开源模型Faster-Whisper在延迟优化后接近商业水平
Seamless/Whisper因依赖自监督学习且波斯语数据有限，出现严重幻觉错误

3.2 错误分析

波斯语ASR特有错误包括：

词边界错误：零宽不连字符（ZWNJ）缺失导致语义歧义（如"یکجا"→"یک جا"）
正式性错配：非正式短语"برم"被误译为正式变体"می‌روم"
He-Kasreh误识别：字母"ه"发音/e/的归属标记错误引发语法错误
幻觉问题：多任务模型（如Seamless）生成语义等效但非原句的改写

3.3 鲁棒性挑战

PSRB揭示系统性性能差异（表6-8）：

噪声环境：CER平均比纯净语音高53%
多说话人场景：错误率比单人语音高40%（表7）
年龄偏见：儿童语音SW-WER比成人高68%（图4），因训练数据缺乏儿童发音特征
地方口音：马什哈迪（Mashhadi）口音错误率最高（SW-WER=53.3%），标准波斯语最低（20%）

4. 结论与展望

PSRB基准填补波斯语ASR系统化评估空白，揭示当前模型在非正式语音和地方口音的显著局限。SW-WER指标提供更精准的错误评估框架，而多维度鲁棒性分析指明数据多样性的关键作用。未来工作需整合声学与语义多样性数据，并探索针对波斯语语言特性的归一化处理，以推动低资源语言ASR发展。