От десятков часов до десятков тысяч: масштабирование обратного перевода для распознавания речи

From Tens of Hours to Tens of Thousands: Scaling Back-Translation for Speech Recognition

May 22, 2025

Авторы: Tianduo Wang, Lu Xu, Wei Lu, Shanbo Cheng

cs.AI

Аннотация

Последние достижения в области автоматического распознавания речи (ASR) во многом обусловлены использованием обширных речевых корпусов. Однако расширение охвата на разнообразные языки с ограниченными ресурсами остается серьезной проблемой. В данной статье представлен метод Speech Back-Translation, масштабируемый подход, который улучшает многоязычные модели ASR путем преобразования крупномасштабных текстовых корпусов в синтетическую речь с использованием готовых моделей синтеза речи (TTS). Мы демонстрируем, что всего несколько десятков часов реальной транскрибированной речи могут эффективно обучить модели TTS для генерации синтетической речи в сотни раз большего объема при сохранении высокого качества. Для оценки качества синтетической речи мы разработали основанную на разборчивости методику оценки и установили четкие пороговые значения, при которых синтетические данные приносят пользу обучению ASR. Используя Speech Back-Translation, мы сгенерировали более 500 000 часов синтетической речи на десяти языках и продолжили предварительное обучение модели Whisper-large-v3, достигнув среднего снижения ошибок транскрипции более чем на 30%. Эти результаты подчеркивают масштабируемость и эффективность метода Speech Back-Translation для улучшения многоязычных систем ASR.

English

Recent advances in Automatic Speech Recognition (ASR) have been largely fueled by massive speech corpora. However, extending coverage to diverse languages with limited resources remains a formidable challenge. This paper introduces Speech Back-Translation, a scalable pipeline that improves multilingual ASR models by converting large-scale text corpora into synthetic speech via off-the-shelf text-to-speech (TTS) models. We demonstrate that just tens of hours of real transcribed speech can effectively train TTS models to generate synthetic speech at hundreds of times the original volume while maintaining high quality. To evaluate synthetic speech quality, we develop an intelligibility-based assessment framework and establish clear thresholds for when synthetic data benefits ASR training. Using Speech Back-Translation, we generate more than 500,000 hours of synthetic speech in ten languages and continue pre-training Whisper-large-v3, achieving average transcription error reductions of over 30\%. These results highlight the scalability and effectiveness of Speech Back-Translation for enhancing multilingual ASR systems.