I decoder LLM non amplificano il bias razziale nel riconoscimento vocale, secondo uno studio

Un recente studio pubblicato su arXiv (2604.21276) indaga la possibilità che i decoder basati su grandi modelli linguistici (LLM) nel riconoscimento vocale introducano o esacerbino il bias demografico. I ricercatori hanno valutato nove modelli appartenenti a tre tipologie architetturali: CTC (senza modello linguistico), encoder-decoder (con LM implicito) e basati su LLM (con decoder pre-addestrato esplicito). Hanno analizzato circa 43.000 enunciati dai dataset Common Voice 24 e Fair-Speech di Meta, che mitiga le confusioni lessicali. La ricerca si è concentrata su cinque fattori demografici: etnia, accento, genere, età e lingua madre. Risultati notevoli includono: i decoder LLM non hanno aumentato il bias razziale (Granite-8B ha mostrato la migliore equità etnica con un WER max/min di 2,28); Whisper ha manifestato gravi problemi di allucinazione con parlato con accento indiano, raggiungendo un tasso di inserzione del 9,62% a large-v3; e la compressione audio è stata collegata all'equità dell'accento. Questo studio mette in discussione le convinzioni esistenti sul bias degli LLM nel riconoscimento vocale.