2026年10月24日，一项聚焦尼泊尔语-英语代码切换自动语音识别（ASR）的研究在arXiv平台发布（论文编号2610.30860v1）。该研究针对自发对话中因天城文（Devanagari）与拉丁字母混用导致的脚本混淆，以及语言切换点处错误率激增等关键挑战，构建并公开了一个全新基准数据集。
该基准包含13,044条源自真实播客的自发尼泊尔语-英语混合语句，总时长15.45小时，其中测试集10,214条、开发集2,830条；所有数据均经人工审计与验证，确保无机器翻译泄露与声学循环。研究者进一步提出两阶段合成到真实（synthetic-to-real）适配框架：第一阶段使用0.95小时由多说话人、双引擎TTS流水线生成的合成语音进行监督微调（SFT）；第二阶段在SFT收敛模型基础上，采用组相对策略优化（GRPO），联合优化转录准确率与脚本一致性奖励。
实验表明，仅靠合成语音SFT即可显著提升跨域性能：混合错误率（MER）从23.40%降至21.52%，切换点错误率（SPER）从35.89%降至28.77%；后续在173条测试语句（占测试集1.69%）上应用GRPO，使英文脚本混淆率（SCR_en）从6.45%微降至6.36%（p≤0.001），SPER进一步降至28.70%（p=0.022，聚类校正）。消融分析发现，在SFT收敛的编码器-解码器结构中，因合成数据脚本方差趋近于零，额外加入脚本奖励项未带来性能增益。在单语基准上，SFT使尼泊尔语MER提升2.71个百分点，经GRPO后稳定于18.42%（较基线提升2.38个百分点），而英语词错误率（WER）基本不变（3.38% vs. 3.33%）。全部验证文本、时间戳、播客元数据及重建脚本均已开源。