儿童语音识别适配与成人能力保留的实证研究

自动语音识别 (ASR) 系统对于儿童和非母语人士来说通常表现不佳，而使成人 ASR 模型适应儿童语音可能会导致成人语音遗忘。我们研究儿童 ASR 适应和成人保留的阿拉伯语和英语。我们比较了编码器-解码器、编码器-CTC 和基于 AudioLLM 的 ASR 系统的完整微调、LoRA 和事后权重空间合并。实验使用阿拉伯语母语和非母语儿童语音、英语 MyST 儿童语音以及来自 MGB-2 和 LibriSpeech test-clean 的成人基准。我们使用 WER 评估识别质量，并使用保留指数、儿童适应增益和适应恢复来量化适应-保留权衡。结果表明，儿童适应是必要的，特别是对于非阿拉伯语和英语母语的儿童语音，但直接适应往往会降低成人 ASR 表现。双语适应比特定语言适应更稳定。权重空间合并通常会改善权衡，特别是对于编码器（CTC、Whisper 和基于 AudioLLM 的 ASR），LERP 有利于成人保留，TIES 可以恢复更强的儿童收益。对于编码器-解码器模型，直接双语微调在原始 WER 中仍然最强。\footnote{代码和模型可在 https://github.com/qcri/Child-ASR-Adaptation。 获得