Este contenido evalúa la capacidad de los agentes de voz y los sistemas ASR de vanguardia para manejar a clientes bilingües que utilizan habla con cambio de código. Presenta un análisis comparativo del rendimiento de estas tecnologías en entornos lingüísticos complejos.
Esta investigación introduce un marco de ajuste fino (fine-tuning) eficiente en datos para enseñar a los modelos de razonamiento de lenguaje a alternar idiomas (code-switch) de manera efectiva en tareas de razonamiento. Busca identificar comportamientos beneficiosos de alternancia de idiomas, analizando sistemáticamente rastros de razonamiento diversos.
Esta investigación introduce un nuevo benchmark para evaluar sistemas comerciales de Reconocimiento Automático de Voz (ASR) en habla con cambio de código. Evalúa a cinco proveedores de ASR en cuatro pares de idiomas, incluyendo árabe-inglés, persa-inglés y alemán-inglés, utilizando un sofisticado pipeline de selección de datos en dos etapas.
Este artículo investiga fallas en los LLM de Audio al transcribir el habla con cambio de código inglés-mandarín, identificando problemas como la omisión de idioma y la traducción. La aplicación de la Optimización de Preferencia Directa (DPO) alinea los modelos para preservar el contenido en idiomas mixtos, lo que lleva a reducciones significativas en la Tasa de Error Mixta (MER).
La autora explora la intimidad de la alternancia de códigos entre polaco, inglés y portugués al interactuar con agentes de IA. Reflexiona sobre cómo los diferentes idiomas representan distintas versiones de sí misma, en contraste con la tokenización indiferente del modelo.