为南阿塞拜疆语建可用的语音识别：社区录音、转写外来语音与难例评测如何分工

英文题目：Preserving the Iranian Turkic Language: Community-Driven ASR Datasets and Benchmarking for South Azerbaijani

会议身份：conference:interspeech:2026:conference-paper-id:farsi26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#基准测试 #数据集 #数据集构建 #低资源 #语音识别

评分：7.4/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Farhan Farsi：机构信息未能从会议 PDF 纯文本可靠映射
• Shayan Bali：机构信息未能从会议 PDF 纯文本可靠映射
• Jalil Nourmohammadi Khiarak：机构信息未能从会议 PDF 纯文本可靠映射
• Mohammad Hossein Aref：机构信息未能从会议 PDF 纯文本可靠映射
• Taher Akbari Saeed：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

南阿塞拜疆语自动语音识别需把语音转写为阿拉伯文字文本，难点是公开标注几乎为零、正字法不统一、同音异形字多，且现有Whisper未覆盖该语言、仅MMS-1B-All在预训练中包含却无公开基准。方法链第一步负责文本准备，对南阿塞拜疆语图书选文切分并做归一化以压缩词表歧义，其输出的规范句进入第二步作为朗读脚本。第二步负责社区采集，组织14名母语者用自有手机安静朗读配对录音构成25小时以上社区集，其音频文本对进入第四步作为微调训练源。第三步负责跨资源对齐与独立评测，将约25万条北阿塞拜疆语音由专家人工转写为阿拉伯文字南阿塞拜疆正字法构成外部集并与社区集联合训练，同时独立招募新说话人采集3021条约17.49小时更长更自发的AZB ASR GoldSet做困难评测，与直接混用北阿塞拜疆拉丁转写不同，该工作以文字层对齐保留声学内容并用八模型微调检验泛化。在 GoldSet 上社区集微调的 MMS 取得词错误率 63.0%与字错误率 18.0%，优于全部 Whisper 对照；全量社区加外部微调让 Whisper-Base 在 GoldSet 上从 84.0%降至 70.0%，但社区内测从 33.0%升至 49.0%。该结论仅适用于朗读为主、安静录制条件，对话、自发口音与长尾域外推尚未验证。原文未披露训练推理成本与解码超参数细节。

🔗 开源与复现资源

• 代码相关资源：https://github.com/Kartalol/Kartalol-azb-asr — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么：为什么南阿塞拜疆语语音识别难在数据和书写两头？

这篇论文的输入是南阿塞拜疆语的语音波形，目标是输出阿拉伯字母书写的转写文本，读者对象是刚进入语音、音乐和音频方向的研究生。先用白话把任务说清：自动语音识别（Automatic Speech Recognition，简称 ASR）就是把一段说话录音变成文字，系统要同时解决听得准和写得对两个问题。南阿塞拜疆语（South Azerbaijani，论文代号 AZB）是伊朗境内超过 1500 万突厥语使用者使用的一种阿塞拜疆语变体，用阿拉伯字母书写，而北阿塞拜疆语用拉丁字母书写，两者听感有相近之处但字形完全不同。

论文要解决的矛盾是，一方面公开可用的南阿塞拜疆语标注语音几乎没有，另一方面阿拉伯字母本身存在同音异形、词间空格不统一、数字和符号写法多样的问题，标注不一致会直接放大标签稀疏。输出是可复述的方法：论文不只训练模型，而是先讲清楚 3 套数据如何构造、如何划分说话人、如何做归一化，再用 8 个模型的对照说明什么设置真正带来改进。

需要保留的关键信息是资源状态：本次收到的官方代码资源状态为可用，地址是 Kartalol 的 GitHub 仓库，论文同时给出数据集链接，复现时应以仓库当前可达页面为准。全文按学习依赖展开，先讲任务与相关路线，再讲数据全景与组件计算，然后讲微调与评测条件，最后讲结果、反例、局限与复现步骤。

已有路线走到了哪里：端到端模型、突厥语数据与伪标签各解决了什么？

相关工作可以按同输入、同目标、同监督来对照。第一条路线是端到端架构，例如连接时序分类（Connectionist Temporal Classification，简称 CTC）和基于变换器（Transformer）的编码器解码器模型，它们在高资源语言上已取得很好效果，原因是大标注集、深度学习算法和高性能计算同时具备。论文引用这类进展只是为了说明方法框架成熟，缺的不是模型思想而是南阿塞拜疆语的标注和评测基准。

第二条路线是突厥语和阿拉伯语的数据构造经验，包括文本归一化、去掉标点、统一字符编码、保证性别年龄多样性、人工转写与校验，论文把这些做法迁移到南阿塞拜疆语，因为它在语音上接近突厥语，在书写上又要处理阿拉伯字母。第三条路线是伪标签（pseudo-labeling）与跨语言迁移（cross-lingual transfer），即先用已有大模型给无标注语音生成初稿，再利用亲缘语言的声学和音素表示迁移到目标语言。

论文明确指出，据公开资料唯一在预训练中明确包含南阿塞拜疆语的是脸书的多语模型 MMS，而 Whisper 系列覆盖多种突厥语言但不包含南阿塞拜疆语，且此前没有公开的南阿塞拜疆语基准可以系统评测 MMS。因此论文的工作不是重复训练一个大模型，而是补上数据、基准和可比的微调对照。

要测什么问题：数据稀缺、书写不一致与无评测基准如何拆开？

论文把大问题拆成 3 个可操作的子问题。第一个是训练数据从哪里来：在几乎零资源条件下，能否用社区新录的干净朗读语音做核心监督，再用北方语音转写来的大规模数据扩大声学覆盖。第二个是评测是否可信：如果只在朗读集上划分测试集，模型可能只记住书本句式，因此需要一个说话人和句子都与训练严格不重叠、话题更杂、录制条件更真实的独立评测集。

第 3 个是改进来自哪里：把数据规模、模型大小、是否经过亲缘语言或同字母语言微调、CTC 与自回归结构这几个因素分开，看它们在社区测试集、外部测试集和难例 GoldSet 上是否一致起作用。教学上可以举一个例子来理解，但它只是例子：比如同一句话里某个辅音在阿拉伯字母里有两种写法，听感相同但字形不同，评测时就会算成词错，这属于书写问题而非听错，论文后文用同音字归一化实验来分离这类误差。

论文没有承诺解决方言连续体或口语全部现象，而是把本次验证范围限定在已收集的朗读、网络语音和社区实录 3 种条件下。

方法全景：三套数据加八个模型对照是如何组织成闭环的？

论文的方法可以沿着一个样本走完输入到输出的主路径。输入是一段 16 千赫采样的语音，模型输出是经过归一化的阿拉伯字母词序列，评测前参考文本和假设文本都要经过统一的 Unicode 归一化、去标点、空白和词边界归一化，再计算词错率和字错率。数据侧有三块分工：社区数据集提供干净可控的核心训练，外部数据集提供大规模但带口音和噪声的补充训练，GoldSet 只做评测不参与训练。模型侧有 3 组对照：明确支持南阿塞拜疆语的 MMS-1B-All，考察微调前后差异。

Whisper 的微型、基础和小型 3 个尺寸，考察参数量与微调的关系；4 个先在土耳其语、北阿塞拜疆语、波斯语和阿拉伯语上调过的 Whisper 再继续在社区数据上微调，考察跨语言起点的效果。训练侧有两种策略：只用社区数据，以及社区加外部合在一起训练，后者因计算和预算限制只做了微型和基础两个尺寸。评测侧有 3 个测试集：社区测试集反映正式朗读，外部测试集反映自然程度更高的语音，GoldSet 反映更长更自发的挑战条件，所有划分都要求说话人不重叠。

这种组织让每一句结论都能回指到具体的数据来源和训练设置，而不是笼统地说大模型更好。

社区数据集：文本从书里来、声音从手机里来时做了哪些清洗？

社区数据集是论文新采集的核心，它的文本先从阿拉伯字母书本中收集，再按问号、感叹号和句号切成小段。清洗动作很具体：数字转成单词，符号转成单词，缩写展开，去掉标点，去掉含非阿拉伯字母的词，去掉少于 5 个词的切分段，统一多种 Unicode 写法并去掉 Word 带来的控制字符，最后人工检查拼写。论文解释了为什么在极低资源下仍要做归一化：数据量小时，数字、符号、标点和 Unicode 变体会显著增加标签稀疏并影响收敛，统一写法可以稳定对齐并缩小有效词表。

录音侧组织了 14 名母语者，性别平衡为 7 女 7 男，年龄覆盖 19 到 33 岁，每人用自己的智能手机录音，机型包括三星、红米、小米、华为和苹果等，这本身就引入了真实的麦克风和通道变化。录制要求是在安静环境下自然朗读，读错或被打断才重录，每条录音与归一化后的提示文本配对，并记录说话人编号、设备、时长和句数，便于按说话人和设备做受控划分。

社区驱动采集 × 朗读语音： 社区驱动采集负责解决谁来说、说什么和怎么录的分工，它组织 14 名母语者用各自手机在安静环境下自然朗读经过清洗的书本句子；朗读语音负责提供声学与文本严格对齐的监督信号，它把每条录音和对应规范文本配成 1 对。两者搭配的理由是极低资源下不能先抓大量网络音频再补标签，必须先保证文本符合南阿塞拜疆语阿拉伯字母正字法，再获得可控的说话人和通道变化，组合意义是得到可划分训练与验证的干净核心集。

下表提出的问题是 3 套数据的规模与分工是否可比，比较条件是把句子数、时长、说话人数和用途放在同一粒度下看，数值方向是规模越大通常覆盖越广但不代表领域一致。下表整理了论文报告的 3 个组成部分，外部数据声学来自北方但文本已改为南方书写，GoldSet 独立于训练。

表后需要解释主要收益与代价。收益是三者互补：社区集保证书写一致和对齐质量，外部集带来自发语音和噪声，GoldSet 用话题和风格变化检验泛化。代价是外部集的声学仍是北方口音，即使文本已由专家改为南方正字法，仍会引入口音失配；社区集只有约 25 小时，相对高资源基准仍然很小。未胜出或未覆盖的边界是体育、经济和信息技术等专门领域在当前 GoldSet 中没有单独成类，留待后续扩展。

外部数据与 GoldSet：北方声音如何变成南方书写，难例集难在哪里？

外部数据集由两路北方语音构成。一路是超过 200,000 段来自公开视频的阿塞拜疆语音，先用 Whisper-large-v3 按阿塞拜疆语做伪标签并切成句子级片段，再由南阿塞拜疆语出版方的人工标注者把内容转写成阿拉伯字母的南方正字法，解决正字法差异并保证与音频对齐。另一路是从 VoxLingua107 中抽出的约 58 小时阿塞拜疆语音，该语料原本用于语种识别而不提供识别用转写，论文同样先用 Whisper-large-v3 生成拉丁字母伪标签，再由出版方语言学家按南方阿拉伯字母习惯人工转写。

两路数据最后都执行与社区集相同的预处理和归一化，以保持书写一致。论文强调外部集的价值在于声学和风格更多样，包括自发语音、背景噪声和不同说话条件，这些在朗读语料中代表不足。

伪标签 × 专家转写： 伪标签负责解决无标注北阿塞拜疆语音如何先有初稿的分工，它用 Whisper-large-v3 按阿塞拜疆语生成拉丁字母初稿并做句子级切分；专家转写负责解决初稿如何变成可用的南阿塞拜疆语阿拉伯字母文本的分工，它由出版方语言人员逐段改写并统一正字法。两者搭配的理由是声学内容仍是北方发音但训练目标需要南方书写，直接训练会学错字形，组合意义是把大规模北方语音变成书写一致的南方监督数据，同时保留自发语音和噪声等声学多样性。

GoldSet 的难体现在 3 个方面。第一是独立性，它不是从训练数据中抽样，而是由作者通过社区活动重新组织录制，说话人和句子与训练验证严格不重叠。第二是话题广度，提示文本覆盖日常表达、非正式交流、新闻政治、历史文化、科教段落、个人叙事、短故事以及对地点人物和日常事件的描述，句长、句法和风格更多样，目标是检验模型能否走出训练中的主导模式。第三是真实性，全部为真人自然录音，带有语速、韵律、设备、背景噪声和地区发音差异，论文报告其总词表为 8528 个不同词。GoldSet 共约 17 小时，这种更长更自发的构成正是后文时长分析中误差上升的来源之一。

微调与计算：冻结了什么、更新了什么、监督从哪里来？

论文的训练节需要先说清有训练和无训练各是什么。无微调的只有 MMS-1B-All 的直接评测，用于看预训练本身在真实南阿塞拜疆语场景下是否够用；其余 7 个 Whisper 相关模型都要经过微调，监督全部来自社区集或社区加外部集的人工与专家转写文本，没有用测试集调参。

论文报告了可复现的训练条件：音频重采样到 16 千赫，批量大小为 8，训练 10 轮，学习率为万分之一，使用半精度训练提高效率，每个轮末按验证损失选最优检查点，推理时最大生成长度为 225 个 token，实验在英伟达 A100 和特斯拉 V100 上完成。论文没有报告逐层冻结、梯度是否截断、优化器种类和学习率衰减等细节，因此不能从模型名字推定具体实现，复现时应把缺项记为未报告并沿用论文给出的批量、轮数和学习率。

跨语言微调 × 书写相似性： 跨语言微调负责解决从哪个已训练起点继续适应的分工，它先用土耳其语、北阿塞拜疆语、波斯语或阿拉伯语调过的 Whisper 再在社区数据上继续训练；书写相似性负责解释起点与目标在字形上是否相通的分工，例如波斯语和阿拉伯语同用阿拉伯字母。两者搭配的理由是声学相近和字形相近是两条不同迁移通道，不能只看字母相同，组合意义是可以分离测试突厥语系亲缘带来的声学增益和阿拉伯字母共享带来的正字法增益。

跨语言起点是本节的重点对照。4 个起点分别是土耳其语调过的 Whisper、北阿塞拜疆语调过的 Whisper、波斯语调过的 Whisper 和阿拉伯语调过的 Whisper，它们都基于 Whisper 基础结构，再在社区数据上继续微调。选择理由是土耳其语和北阿塞拜疆语与南阿塞拜疆语同属突厥语系，波斯语和阿拉伯语与南阿塞拜疆语共享阿拉伯字母，这样可以分离语系相近和字形相近两条通道。

CTC × 自回归编码器解码器： CTC 负责解决声学帧到字符直接对齐的分工，它对每帧独立做分类并用空白符处理时长差异，不依赖已生成的前文；自回归编码器解码器负责解决听觉编码加语言建模联合生成的分工，它在解码每个词时都要参考前文假设。两者搭配比较的理由是论文同时评测了 MMS 这类 CTC 模型和 Whisper 这类自回归模型，组合意义是揭示低资源微调时强声学预训练与依赖大语料语言建模的不同表现，前者在小数据下更稳，后者在大而杂数据下泛化提升更明显。

结构对照是另一条线。MMS 用 CTC 目标做多语预训练，声学建模强且解码不依赖自回归语言模型；Whisper 用编码器解码器加自回归生成，上下文建模强但更依赖大而多样的训练。论文的发现支持在小数据下 CTC 适应更快、在大数据下自回归受益更多，但这只是本研究条件下的表现，不能推广为所有低资源语言都如此。

实验条件：划分、指标与归一化是否保证了公平比较？

实验按问题组织，先说测什么、与谁比、条件是否一致。测试集有 3 个：从外部数据中随机抽的 1135 句，反映自然程度更高的语音；从社区数据中抽的 367 句，反映正式朗读与规范书写；完整的 GoldSet 约 17 小时，只做评测且说话人和句子都不与训练验证重叠。训练验证划分要求说话人不重叠，验证集从对应训练来源中按说话人留出，用于选检查点而不接触测试。所有模型在比较时使用同一训练数据来源，音频采样率和训练轮数等条件一致，差异只来自模型起点、尺寸和训练数据组合。

词错率 × 字错率： 词错率负责回答整句中有多少词被替换、删除或插入的分工，它是模型选择和比较的主指标；字错率负责回答在阿拉伯字母层面错了多少字符的分工，它对同音异形字和词缀粘连更敏感。两者搭配的理由是南阿塞拜疆语存在多个字形对应同一发音，词错可能只是字形选择不同，组合意义是同时看词和字才能区分是真的听错还是书写规范分歧。

指标方向是词错率越低越好，字错率越低越好，删除插入比用于看解码是偏向漏字还是加字。评测前统一做阿拉伯字母 Unicode 归一化、去标点、大小写不敏感比较和空白词边界归一化，以保证跨数据集公平。论文还报告了生成长度上限和混合精度等实现细节，便于复现推理行为。下表把划分与训练配置放在同一粒度下，便于核对复现时的数据、模型、阶段、指标和聚合对象。

表后解释收益、代价与未评测边界。收益是三测试集难度递进，可以同时看到领域内表现和领域外泛化；代价是外部测试本身来自北方声学，模型在该集上的好坏不能直接等同于南方口语的好坏。未胜出项是只用社区训练的模型在社区测试上更好，但到 GoldSet 上不如全量训练，这说明单一测试集会误导结论。未评测边界是论文因资源限制没有单独用外部集训练，也没有对全部模型做全量训练，比较时必须注明哪些格子是缺测而非零分。

主结果：全量训练与社区微调分别在哪个测试集上赢了？

主结果围绕两个问题。第一，全量训练是否好于只用社区训练。论文报告，对微型和基础 Whisper，全量训练在外部测试和 GoldSet 上更好，但在社区测试上反而不如只用社区训练，原因是社区文本来自正式书本，与外部混合后的分布不同，混合训练提高了泛化但稀释了对书本句式的拟合。这支持在低资源下引入伪标签加转写数据的价值，但也说明领域内测试不能代替泛化测试。第二，MMS 微调与否差异很大。

未微调的 MMS 即使明确支持南阿塞拜疆语，表现也不令人满意，论文认为预训练数据可能不能代表真实场景；只用社区微调后的 MMS 在 GoldSet 上取得全部模型中最好的词错率和字错率，但在外部集上仍然有限，且论文的外部 MMS 格子有缺测。模型尺寸方面，基础尺寸在外部和社区测试上好于微型和小型，小型在 GoldSet 上泛化更好，打破了越大越好的直觉。

跨语言起点方面，土耳其语起点在社区测试上最好，基础尺寸在外部测试上最好，MMS 微调在 GoldSet 上最好，阿拉伯语起点并未因同字母而稳定超过基线，这支持声学亲缘比单纯字形相同更重要。

以下导读针对柱状图的 3 组比较：横轴是 6 个 Whisper 模型，纵轴是词错率百分比，图例区分社区蓝色、GoldSet 橙色和外部绿色，同一模型内三根柱子可比，跨模型同色柱子可比，重点看外部绿色是否系统性最高。

看图路径： 1. 先看横轴六个模型分组，再看每组内蓝色社区、橙色 GoldSet、绿色外部三根柱子的相对高度；2. 比较同一测试集下不同起点模型的柱子高低，判断跨语言起点是否一致变好；3. 观察绿色外部柱子整体远高于蓝色社区柱子，确认领域失配的方向

论文图 1。原论文 Figure 1：“Word Error Rate (WER) comparison across different Whisper models trained on the Community dataset and evalu- ated on the External, Community, and GoldSet test sets.”。

从像素可见的内容解释：绿色外部柱子在每个模型下都明显高于同模型的蓝色和橙色，说明外部测试最难；蓝色社区柱子整体最矮，说明朗读集最容易；橙色 GoldSet 居中但仍很高，说明独立难例确实带来压力。跨模型看，土耳其起点的蓝色柱子相对更矮而绿色柱子仍然很高，阿拉伯起点的绿色和橙色并未系统性更低，这与正文说同字母不必然带来增益是一致的。该图只展示社区训练下的 Whisper，不能用来推断全量训练或 MMS 的表现，全量与 MMS 的比较要回到数字表和正文描述。

下表把论文明确用连续原句报告的关键数字放在同一粒度下，指标方向都是越低越好，缺测格子不填零而是标为未报告。

表后解释主要收益与具体代价。收益是全量训练提升泛化，语言相关起点在社区集上有效，MMS 微调在难例集上最强。代价是混合数据会损害单域拟合，阿拉伯语起点显示同字母不等于同声学，MMS 在外部集上的局限说明跨方言声学失配仍未解决。未胜出项是小型 Whisper 在社区和外部并未全面超过基础尺寸，复现时不应默认选最大模型。

反证与消融：同音字归一、数字与句长如何改变误差？

论文做了几类特有的细节分析。第一是音素与正字法分析：某些阿拉伯字母在南阿塞拜疆语发音中难以区分，模型缺少声学线索来选对字形，带有附加符号的字符也容易混淆，超过两个语素的词在阿拉伯字母书写中可分写可连写，而标注通常只给一种规范形，这都会在评测中计为词错和字错。

论文把发音相同但字形不同的字符映射到同一字符后重算，发现词错率和字错率普遍下降，这支持模型困难部分来自字形选择而非完全听错，但这只是诊断实验，不能当作可部署的转写方案。第二是数字问题：模型有时把数字写错、把数字词拼错，甚至重复或过度生成数字，这在自回归解码中更常见。

第三是删除插入行为：论文同时报告删除插入比，社区微调的 Whisper 在社区测试上删除插入比偏高，而 MMS 保持更低的插入，论文认为这与 CTC 非自回归结构和缺少显式语言模型有关，但原文用语是可能归因，复现时应表述为支持而非证明。

以下导读针对时长曲线的双轴设计：左轴是词错率，右轴是样本数，蓝色带点折线是 Whisper，橙色带方块折线是 MMS，浅色柱子是各时长 bins 的样本量，横轴从小于 10 秒逐步累积到整体，重点看两条折线的相对位置与样本量是否充足。

看图路径： 1. 先确认左轴是词错率、右轴是样本数，区分折线与浅色柱子的含义；2. 沿小于 10 秒到小于 50 秒再到整体的横轴看蓝色与橙色折线的升降；3. 比较同一时长 bins 下蓝色 Whisper 点与橙色 MMS 点谁更低

论文图 2。原论文 Figure 2：“Word Error Rate (WER) on the AZB GoldSet across utterance durations using models trained on the full dataset.”。

从像素可见的内容解释：小于 10 秒处两条折线都最高且样本柱最矮，说明短句上下文少且对删除更敏感；到小于 30 秒附近蓝色折线降到最低，之后随 bins 增大略有回升并趋向整体平均，橙色折线整体略高于蓝色且平台出现更早，说明更长句子的累积解码不稳定对 MMS 影响更大。论文正文给出短句约 0.78 的词错率和 Whisper 整体约 0.706 的基准，图像趋势与这些数字一致，但像素不能精确读出每点的 3 位小数，复现时应以正文数字为准。该分析用的是全量训练模型，不能直接推广到只用社区训练的设置。

边界在哪里：口音失配、伪标签噪声与算力限制如何影响结论？

论文明确列出 4 类局限。第一是总量仍然小：社区集约 25 小时，即使加上外部约 447.64 小时，与高资源基准相比仍小，且 GoldSet 约 17 小时只能做评测不能做训练。第二是方言与书写失配：外部音频本质是北方发音，即使文本已由专家改为南方书写，声学上仍有音系差异，伪标签本身也可能带错，这部分噪声无法完全消除。第三是算力与预算：未能对全部模型做全量训练，也未能单独用外部集训练或尝试更大模型和更长训练，因此表格中的缺测格子是资源约束而非技术失败。

第四是领域覆盖：GoldSet 有意做难但并非领域均衡语料，体育、经济和信息技术等方向没有单独成类，后续扩展才能回答这些领域的表现。理解这些边界后，才能正确使用结论：全量更好只在已测的外部和 GoldSet 条件下成立，MMS 最强只在 GoldSet 和社区训练条件下成立，跨语言有效只在已测的 4 个起点下成立。

复现先做什么：按什么顺序拿到数据、划分与基线？

复现应按学习依赖先做数据再做模型。第一步确认资源可达：本次收到的代码资源状态为可用，先打开论文给出的 GitHub 仓库核对数据集与脚本当前是否可下载，不要假设权重和数据永久不变。第二步重建文本管线：按论文顺序实现数字转词、符号转词、缩写展开、去标点、Unicode 统一、去掉控制字符、去掉非阿拉伯字母词、去掉少于五词的段，最后人工抽查拼写。

第三步重建语音划分：社区 1135 句之外的部分做训练验证，外部 1135 句之外的部分做训练验证，GoldSet3021 句全程只做测试，所有划分保证说话人不重叠。第四步跑通两个必备基线：未微调的 MMS-1B-All 和只用社区微调的 Whisper 基础尺寸，前者用于确认预训练不足，后者用于确认单域拟合。第五步再做全量训练和跨语言起点对照，训练条件先用批量 8、10 轮、学习率万分之一、半精度、16 千赫采样和最大生成 225。

复现时要保留的关键超参数和信息条件是说话人划分、归一化管线、验证选点依据和 3 个测试集的用途区分，缺少其中任何一项都会让词错率不可比。

何时值得尝试这条路线：给新生的三条可执行判断？

第一，当目标语言几乎没有标注但有亲缘语言的大量语音时，值得尝试先伪标签再由懂正字法的人改写为目标书写的路线，但必须把声学来源和书写目标分开记录，否则会把口音误差误判为模型能力不足。第二，当书写存在同音异形或分写连写两种合法形式时，评测前应先做字形归一的诊断实验，再决定是改标注规范还是改模型，不能把书写分歧直接当成听错来优化。

第三，当只有小而干净的社区数据时，优先用 CTC 结构或小数据适应性强的起点做难例集基线，再用混合大数据的自回归模型补泛化，两条线都要在朗读、自然语音和独立难例 3 个条件下同时报告，避免只用单域测试得出相反结论。论文的剩余验证是补上更大说话人覆盖、更多口语和专门领域，以及对阿拉伯字母歧义的正字法感知建模和减少删除重复的解码策略。做完这些，一个可运行的南阿塞拜疆语识别基线才算真正从论文走到了可用系统。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总