Whisper-Large-v3-Turbo e IndicWav2Vec a pari merito nel benchmark ASR nepalese

Un nuovo articolo di ricerca su arXiv (2608.12327) presenta la prima analisi approfondita di sei modelli multilingue pre-addestrati finalizzati al riconoscimento automatico del parlato (ASR) nepalese. I modelli esaminati includono XLSR-53, IndicWav2Vec, MMS-1B, Whisper-Medium, Whisper-Large-v3-Turbo e Conformer-Hi, mostrando diverse architetture come CTC self-supervised e ibrido Conformer-CTC. Tutti i modelli sono stati ottimizzati utilizzando il dataset nepalese OpenSLR SLR54, che contiene circa 165 ore di audio, garantendo una pre-elaborazione e parametri di apprendimento coerenti. Sono stati testati su tre diversi dataset, concentrandosi su metriche come il tasso di errore delle parole (WER) e il tasso di errore dei caratteri (CER). È interessante notare che Whisper-Large-v3-Turbo e IndicWav2Vec hanno ottenuto prestazioni simili, suggerendo che famiglie linguistiche correlate possono bilanciare le differenze nella dimensione del modello per l'ASR nepalese. Lo studio osserva anche che i decoder CTC sono più veloci, rendendoli più adatti per applicazioni in tempo reale. Questa ricerca colma una lacuna negli studi ASR nepalesi, stabilendo un punto di riferimento per lavori futuri.