SunflowerASR、アフリカ言語の音声認識で誤り率の新記録

研究者らは、Group Relative Policy Optimisation（GRPO）を用いて誤りを減らすエンコーダー・デコーダー型音声認識モデル「SunflowerASR」を公開した。このモデルはWhisper-large-v3をベースとしており、アフリカの51言語でテストされた。AfriVox-v2ベンチマークではマクロ平均単語誤り率（WER）0.227、SimbaBenchでは0.372を記録し、いずれも公表済みの結果で最低となった。学習データが限られている場合や、音声にノイズが多い場合に、特に大きな改善が見られる。