Les modèles de Reconnaissance Automatique de la Parole (ASR) multilingues de bout en bout (E2E) préentraînés démontrent des capacités remarquables mais ont des difficultés avec des terminologies spécifiques à des domaines et des dialectes sous-représentés. L'ajustement fin nécessite des données audio-transcription appariées coûteuses, créant des obstacles à une adaptation pratique. Cet article étudie l'intégration de modèle de langue (LM) via une fusion superficielle comme méthode d'adaptation efficace, uniquement sur texte. Nous introduisons la Fusion à Pente de Confiance (CGF), une approche novatrice qui détermine dynamiquement le poids du LM pendant le décodage en fonction de l'incertitude du modèle ASR, éliminant ainsi la recherche par grille coûteuse dépendant de l'ensemble de validation requise par la fusion superficielle traditionnelle. Nous validons notre approche en utilisant Whisper d'OpenAI sur plusieurs tailles de modèles en ASR arabe, évaluant l'arabe standard moderne (MSA), le dialecte égyptien (EGY) et un domaine judiciaire spécialisé. L'intégration d'un LM spécifique au domaine a permis d'atteindre jusqu'à 40,92 % de réduction relative du taux d'erreur de mots (WER) sur la parole dialectale et 32,96 % dans le domaine judiciaire. Notre méthode CGF a atteint des performances comparables aux références ajustées tout en n'exigeant aucune optimisation des hyperparamètres, avec des avantages particuliers dans les domaines spécialisés (réduction relative du WER de 28,92 % dans le judiciaire) et sur des modèles plus petits où les poids statiques manquent souvent de robustesse.
Essam et al. (Jeu,) ont étudié cette question.