Este conteúdo avalia a capacidade de agentes de voz e sistemas ASR de ponta em lidar com clientes bilíngues que utilizam fala com troca de código. Ele apresenta um benchmarking do desempenho dessas tecnologias em ambientes linguísticos complexos.
Esta pesquisa introduz uma estrutura de ajuste fino (fine-tuning) eficiente em dados para ensinar modelos de raciocínio a realizar code-switching de forma eficaz em tarefas de raciocínio. O objetivo é identificar comportamentos de code-switching benéficos, analisando sistematicamente dados de modelos e tarefas diversas.
Esta pesquisa apresenta um novo benchmark para avaliar sistemas comerciais de Reconhecimento Automático de Fala (ASR) em fala com alternância de código. Ele avalia cinco provedores de ASR em quatro pares de idiomas, incluindo árabe-inglês, persa-inglês e alemão-inglês, utilizando um pipeline sofisticado de seleção de dados em duas etapas.
Este artigo investiga falhas em LLMs de Áudio ao transcrever fala com comutação de código inglês-mandarim, identificando problemas como omissão de idioma e tradução. A aplicação da Otimização de Preferência Direta (DPO) alinha os modelos para preservar o conteúdo de idiomas mistos, resultando em reduções significativas da Taxa de Erro Mista (MER).
A autora explora a intimidade da alternância de código entre polonês, inglês e português ao interagir com agentes de IA. Ela reflete sobre como as diferentes línguas representam versões distintas de si mesma, em contraste com a tokenização indiferente do modelo.