资源匮乏的澳大利亚原住民语言识别的混合持续学习

语言识别是将濒临灭绝的澳大利亚原住民语言 (AAL) 整合到支持语言复兴和数字包容的语音技术中的重要一步。然而，数据的极度匮乏限制了模型的性能。从高资源语言中进行迁移学习显示出了希望，但在适应新语言时常常会遭受灾难性的遗忘。持续学习（CL）可以缓解这个问题，尽管在数据非常有限的情况下仍然具有挑战性。为了解决这个问题，我们提出了两种混合持续学习方法：重放增强弹性权重合并和约束引导 知识蒸馏，以适应用于 AAL 识别的预训练语音模型，同时保留以前学习的知识。 Warlpiri、Dalabon 和 Dharawal 上的实验表明，所提出的方法优于 微调 和现有的 CL 基线，提高了对多种 AAL 的适应，同时保持了先前学习的高资源语言的性能。