Desarrollo de un sistema de reconocimiento del habla en guaraní

Evaluación de variantes del modelo Whisper y técnicas de mejora de datos

Resumen

El idioma guaraní es uno de los lenguajes autóctonos más hablados de América del Sur, y es utilizado por la mayoría de la población del Paraguay. Sin embargo, se encuentra poco representado en conjuntos de datos utilizados para el entrenamiento de modelos multilenguaje, por lo que existen pocas herramientas lingüísticas basadas en deep learning que sean compatibles con el guaraní. Este proyecto tiene como objetivo desarrollar un sistema de reconocimiento capaz de transcribir voz en guaraní y ponerlo a disposición del público. El primer paso es llevar a cabo un análisis preliminar para identificar un criterio óptimo de selección de datos de entrenamiento y comparar el rendimiento de modelos de diferentes tamaños. Este estudio evalúa los siguientes criterios: el uso de una muestra pequeña de datos manualmente verificada, una muestra más grande con exactitud sin verificar, y una combinación de ambos enfoques mediante aprendizaje auto-supervisado. Todos los datos provienen del corpus de Mozilla Common Voice, y los modelos fueron entrenados a partir de diferentes versiones multilenguaje de Whisper. Encontramos que incluir una muestra más grande de datos sin verificar mejora drásticamente la precisión del modelo final, y que el aprendizaje auto-supervisado no mejora la precisión con respecto al modelo inicial.