AI 自動翻訳
arXiv:2610.32997v1 発表タイプ：新規
要旨：OpenAIのWhisperなどの自動音声認識（ASR）モデルは、音声認識の精度を大幅に向上させていますが、特に大量のトランスクリプション済み音声データが利用可能な場合でも、ファインチューニングには高いコストがかかります。そのため、多くの実務者がこれらのモデルを新たな言語や領域に適応させるのは困難です。本研究では、ASRのファインチューニングに用いるための小規模な学習セットを選択する、埋め込みベースのサブセット選択手法を提案します。Whisperの事前学習済みエンコーダを用いて、各音声サンプルを固定次元の埋め込み空間へ写像し、グリーディーなk-センター法を適用して、多様で代表性のある学習データのサブセットを選定します。本手法をヘブライ語およびデンマーク語に対して評価した結果、特に小規模なサブセットサイズにおいて、ランダムサンプリングに比べてk-センター選択の方が性能を向上させることが多いことが示されました。語彙的多様性の分析からは、同サイズのランダムサブセットに比べて、k-センターによるサブセットの方がより広範な言語的コンテンツを捉えていることが明らかになり、これがその有効性の背景の一端を説明している可能性があります。全体として、本研究の結果は、埋め込みベースのサブセット選択が、評価対象の二言語においてASRのサブセット選択に対する実用的な戦略となり得ることを示しており、特に小規模なサンプル予算下で最も顕著な認識性能の向上が見られることが分かりました。