South East Technological University

芬兰语语音自监督预训练不再只靠语音活动检测和语种识别挑数据。此前这类流程只保证片段里有语音，不判断语音质量；这套流程在语音活动检测和去重之后，用语音识别置信度作为预训练数据质量的代理，从210万小时原始广播中保留47.1万小时。在四个评测集上，置信度筛选比语种识别筛选的词错误率相对低3%到7%，尽管留下的训练数据更少。

芬兰语语音自监督预训练不再只靠语音活动检测和语种识别挑数据。此前这类流程只保证片段里有语音，不判断语音质量；这套流程在语音活动检测和去重之后，用语音识别置信度作为预训练数据质量的代理，从210万小时原始广播中保留47.1万小时。在四个评测集上，置信度筛选比语种识别筛选的词错误率相对低3%到7%，尽管留下的训练数据更少。