योरोबा, एक कम संसाधन वाले भाषा में Wav2vec 2.0-आधारित सीखी गई प्रतिनिधित्व का उपयोग करके स्वर पहचान प्रदर्शन में सुधार

कई उप-सहारा अफ्रीकी भाषाएँ स्वर भाषाओं के रूप में वर्गीकृत की जाती हैं और अधिकतर उन्हें कम संसाधन वाली भाषाओं के रूप में वर्गीकृत किया जाता है क्योंकि इन भाषाओं को संसाधित करने के लिए सीमित संसाधन और उपकरण उपलब्ध हैं। इसलिए, एक अक्षर के साथ जुड़ी स्वर की पहचान करना इन भाषाओं में भाषण पहचान के लिए एक प्रमुख चुनौती है। हम ऐसे मॉडल का प्रस्ताव करते हैं जो निरंतर भाषण में स्वरों की पहचान को स्वचालित करते हैं और जिन्हें इन भाषाओं के लिए भाषण पहचान पाइपलाइन में आसानी से शामिल किया जा सकता है। हमने भाषण में विभिन्न तंत्रिका आर्किटेक्चर और कई विशेषताओं की निकासी एल्गोरिदम (फिल्टर बैंक, LEAF, Cestrogram, MFCC) की जांच की है। कम संसाधन वाली भाषाओं के संदर्भ में, हमने इस कार्य के लिए Wav2vec मॉडल का भी मूल्यांकन किया। इस काम में, हम योरोबा पर एक सार्वजनिक भाषण पहचान डेटासेट का उपयोग करते हैं। परिणामों के लिए, CS (Cestrogram) और FB (फिल्टर बैंक) से प्राप्त विशेषताओं के संयोजन का उपयोग करते हुए, हमें 19.54% का न्यूनतम टीईआर (स्वर त्रुटि दर) मिलता है जबकि Wav2vec 2.0 का उपयोग करते हुए मॉडल के मूल्यांकन में, हमें 17.72% का टीईआर प्राप्त होता है, यह दर्शाता है कि Wav2vec 2.0 का उपयोग कम संसाधन वाली भाषाओं में स्वर पहचान के लिए साहित्य में उपयोग किए गए मॉडलों की तुलना में बेहतर प्रदर्शन प्रदान करता है।