基于WhisperX的西班牙语—英语双语学前儿童自动语音识别流程基准测试：全天录音中的语言输入与输出量化

要测量双语儿童在日常生活中听到和使用每种语言的比例，需要对长时间的自然录音进行转写，而大规模人工转写成本过高。我们以14名西班牙语—英语双语学前儿童在家中整日录音中抽取的168段五分钟片段（共14小时）的专家转写为基准，对四种基于WhisperX的自动语音识别流程进行了评测，这些流程在语音定位和说话人归属方式上有所不同。各流程的词错误率都很高（总体为69.5%至82.0%），而专家编码者之间的词错误率为35.4%（目标儿童）和53.9%（成人）。在转写前运行以儿童为中心的语音类型分类器（VTC2），其将词语归属到说话人的效果远好于转写后再标注说话人；我们保留了这一流程（WER = 71.4%）。尽管存在词级错误，该流程仍保持了片段的排序；对于成人和目标儿童在每种语言中的总词数和不同词数，自动计数与人工计数之间的相关系数为 r = .83 至 .93。在录音水平上，一致性进一步提高。词汇多样性的恢复效果最好：不同词数的斜率（0.79至0.88）比总词数的斜率（0.53至0.77）更接近1。西班牙语比例被低估（成人：77% vs. 89%；目标儿童：70% vs. 90%），主要原因是WhisperX在简短、不清晰的音频上输出了较短的英语短语。开放、可检查的流程能够产出针对双语成人输入和儿童输出的语言特异性指标，但精确的词数和语言比例在直接解释之前需要校正。这些估计来自一个西班牙语—英语社区，需要在其他人群中重新估计。

中文由 AI 翻译，仅供参考，以原文为准。