儿童语音 ASR 适配与成人语音保持：一项实证研究

arXiv:2610.08827v1 公告类型：cross 摘要：自动语音识别（ASR）系统在处理儿童和非母语说话者的语音时通常表现不佳，而将成人 ASR 模型适配到儿童语音可能导致成人语音遗忘。我们在阿拉伯语和英语环境下研究兼顾成人语音保持的儿童 ASR 适配。我们比较了全量微调、LoRA，以及在编码器--解码器、编码器--CTC 和基于 AudioLLM 的 ASR 系统上进行的事后权重空间合并。实验使用了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 的成人语音基准。我们使用 WER 评估识别质量，并通过 Retention Index、Child Adaptation Gain 和 Adaptation Recovery 量化适配与保持之间的权衡。结果表明，儿童语音适配是必要的，尤其是对于非母语阿拉伯语和英语儿童语音；但直接适配通常会降低成人 ASR 性能。双语适配比特定语言适配更加稳定。权重空间合并通常能够改善这种权衡，尤其是对于编码器--CTC、Whisper 和基于 AudioLLM 的 ASR；其中，LERP 更有利于保持成人语音性能，而 TIES 则能恢复更强的儿童语音增益。对于编码器--解码器模型，直接进行双语微调在原始 WER 指标上仍然表现最佳。\footnote{代码和模型可从 https://github.com/qcri/Child-ASR-Adaptation 获取。