DistilWhisper: Efficient Distillation of Multi-task Speech Models via Language-Specific Experts

要約

Whisper は、99 言語をカバーするマルチタスクおよび多言語音声モデルです。
カバーされている言語のサブセットでは、賞賛に値する自動音声認識 (ASR) の結果が得られますが、このモデルは、無視できない数の過小評価されている言語では依然としてパフォーマンスを下回っており、この問題はモデルのバージョンが小さいほど悪化します。
この研究では、マルチタスク機能と多言語機能の利点を維持しながら、これらの言語の ASR におけるパフォーマンスのギャップを埋めることができるアプローチである DistilWhisper を提案します。
私たちのアプローチには 2 つの重要な戦略が含まれています。1 つは言語固有の専門家を使用した Whisper-Small の軽量モジュール式 ASR 微調整、もう 1 つは Whisper-large-v2 からの知識の蒸留です。
この 2 つのアプローチにより、マルチタスクと多言語の事前トレーニングから継承された堅牢性を維持しながら、ASR パフォーマンスを効果的に向上させることができます。
結果は、私たちのアプローチが標準の微調整アダプターや LoRA アダプターよりも効果的であることを示しており、推論時のパラメーターのオーバーヘッドは無視できる程度に抑えながら、ドメイン内およびドメイン外の両方のテスト セットで対象言語のパフォーマンスを向上させます。

要約(オリジナル)

Whisper is a multitask and multilingual speech model covering 99 languages. It yields commendable automatic speech recognition (ASR) results in a subset of its covered languages, but the model still under-performs on a non-negligible number of under-represented languages, a problem exacerbated in smaller model versions. In this work, we propose DistilWhisper, an approach able to bridge the performance gap in ASR for these languages while retaining the advantages of multitask and multilingual capabilities. Our approach involves two key strategies: lightweight modular ASR fine-tuning of whisper-small using language-specific experts, and knowledge distillation from whisper-large-v2. This dual approach allows us to effectively boost ASR performance while keeping the robustness inherited from the multitask and multilingual pre-training. Results demonstrate that our approach is more effective than standard fine-tuning or LoRA adapters, boosting performance in the targeted languages for both in- and out-of-domain test sets, while introducing only a negligible parameter overhead at inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google