冻结权重的 Gemma 4 语音编码器用于沙特与海湾阿拉伯语识别

不改 Gemma 4 语音编码器权重，加轻量适配器即可接近商用阿拉伯语识别系统。

资讯摘要

论文研究 Gemma 4 与 EmbeddingGemma 2 共用的 305M 参数音频编码器，在完全不改动其权重的前提下用于沙特与海湾阿拉伯语语音识别。冻结方案仅训练 22.6M 参数的 CTC 读取器；适配方案加入 3.1M 低秩适配器与 41.5M 混合 CTC/注意力读取器。作者报告适配系统在部分测试集上与 Cohere Transcribe Arabic 的 WER 无统计差异，并发布代码与公开集结果。

要点速读

1. 冻结系统仅训练 22.6M 参数 CTC 读取器，CPU 贪心解码速度比 Cohere Transcribe Arabic 快 3.4 倍。
2. 适配系统在公开沙特客服通话上 WER 为 19.20%，Cohere 为 19.27%，作者称无统计差异；长时沙特语音 WER 仍落后。
3. 盲测人工校正的公开呼叫中心样本中，该系统在 15 个系统中排第 4，优化联合解码器单 GPU 达 139 倍实时。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。