Rohan Paul

低资源 ASR（自动语音识别）通常被视为模型问题。 VoiceArena 刚刚推出 Monsoon，并表明这是一个数据收集问题。 Monsoon 是一个包含 50 种语言的语音数据集，由 23 个国家/地区的即兴对话构建而成。 现成的 Whisper Medium 在 IndicVoices Telugu 上的语义 WER 得分为 92.7%。 VoiceArena 在 Monsoon 上对相同的 769M 检查点进行了微调，获得了 16.1%，在自己的测试中以微弱优势领先于 MAI-Transcribe-2 和 Gemini 3.1 Pro。 没有架构变化，也没有更大的模型。 76.6 分的下降完全来自模型在微调过程中听到的声音。 大多数语音数据管道都会滤除噪音。季风故意把它留在里面。 短片段、嘈杂的房间和困难的声学条件都保留在训练分布中，并且混音不会随意进行。 VoiceArena 通过 DNSMOS 对分段进行分层。这使得降级音频的份额成为数据的受控属性