ASR advancements for indigenous languages: Quechua, Guarani, Bribri, Kotiria, and Wa'ikhana

本文介绍了第二届美洲自然语言处理（AmericasNLP）竞赛的第一项任务，即为五种土著语言（Quechua、Guarani、Bribri、Kotiria和Wa'ikhana）开发自动语音识别（ASR）系统。作者通过收集不同来源的语音语料库并应用数据增强方法，提出了可靠的ASR模型，并在竞赛中获胜。为了实现这一目标，作者通过贝叶斯搜索系统地研究了不同超参数对语言模型性能的影响，特别关注了Wav2vec2.0 XLS-R模型的两个变体：300M和1B参数。此外，作者进行了全局敏感性分析，评估了各种超参数配置对最佳模型性能的贡献。结果表明，冻结微调更新和丢失率比lr的总时代数更为重要。此外，作者公开了最佳模型，其中Wa'ikhana和Kotiria两种语言尚未报告其他ASR模型，同时公开了许多实验，以便其他研究人员继续改进少数民族语言的ASR。这一发现为未来的研究开辟了有趣的途径，可以促进ASR技术在保护少数民族土著语言方面的发展，并承认这一重要努力所涉及的复杂性。

本文旨在为五种美洲土著语言（Quechua、Guarani、Bribri、Kotiria和Wa'ikhana）开发可靠的自动语音识别（ASR）模型，以促进少数民族语言的保护和发展。

本文通过对不同超参数的贝叶斯搜索，系统地研究了Wav2vec2.0 XLS-R模型的变体对语言模型性能的影响，特别关注冻结微调更新和dropout率等参数，提出了一种新的数据增强方法。

本文开发了可靠的ASR模型，对比了300M和1B参数的Wav2vec2.0 XLS-R模型变体，提出了新的数据增强方法，通过全局敏感性分析探究了超参数对模型性能的影响。作者还公开了他们的最佳模型和实验数据，为其他研究者提供了参考。

最近的相关研究包括使用不同的ASR模型和数据增强方法来提高少数民族语言的识别准确率，例如“End-to-End ASR for Low-Resource Kinyarwanda Speech Recognition Using Transfer Learning”和“Data Augmentation for Low-Resource Speech Recognition in Under-Resourced Languages”。