# SunflowerASR رکورد تازه‌ای در تشخیص گفتار زبان‌های آفریقایی ثبت کرد

> مدلی که با بهینه‌سازی سیاست نسبی گروهی آموزش دیده، در دو معیار سنجش گفتار آفریقایی از نتایج پیشین بهتر عمل می‌کند.

Oossa · 2026-10-23 · https://oossa.com/fa/sunflowerasr-sets-new-error-rate-record-for-african-language-speech-recognition

پژوهشگران SunflowerASR را معرفی کرده‌اند؛ سامانه‌ای برای تشخیص گفتار با معماری رمزگذار-رمزگشا که برای کاهش خطا از بهینه‌سازی سیاست نسبی گروهی (GRPO) استفاده می‌کند. این مدل بر پایه Whisper-large-v3 ساخته شده و با 51 زبان آفریقایی آزمایش شده است. SunflowerASR در معیار AfriVox‑v2 با نرخ خطای واژه‌ای میانگین‌گیری‌شده بر اساس میانگین کلان (WER) برابر با 0.227 و در SimbaBench با WER برابر با 0.372، کمترین نرخ‌های منتشرشده را ثبت کرده است. این پیشرفت‌ها در شرایطی که داده‌های آموزشی محدود یا صدای ضبط‌شده پرنویز باشد، چشمگیرترند.

## حقایق

- مقاله در 2026-10-23 در arXiv منتشر شد
- WER مدل SunflowerASR: برابر با 0.227 در AfriVox‑v2 و 0.372 در SimbaBench

## چرا مهم است

این پیشرفت به توسعه‌دهندگان کمک می‌کند ابزارهای صوتی قابل‌اعتمادتری برای گویشوران زبان‌های آفریقایی کم‌منبع بسازند.

## منابع و ارجاع‌ها

1. [Group Relative Policy Optimisation Improves Multilingual Speech Recognition in Low-Resource Languages](https://arxiv.org/abs/2610.30663) – arXiv, 2026-10-23

آخرین به‌روزرسانی: 2026-10-23