C7.04.7Accent and dialect data scale设计研究
支持口音与方言的识别改进依赖对应人群的训练数据规模，非算法单方面可解决
别名: 数据规模 · 口音适应 · 方言语料 · speaker diversity
概念解释
把某口音或方言做准，需要该群体足够规模、足够多样的标注或可学习音频，而不是换一个更时髦的网络结构就能补上。算法可以更有效地消化已有样本，不能凭空发明没听过的对立和词法。支持范围的真实约束是对应人群的数据规模，不是演示里用标准音刷出来的指标。
机制
深度声学模型的泛化来自覆盖，不是来自层数。少样本适应能把已注册说话人拉近，却覆盖不了从未出现过的音系对立；无监督预训练若仍在标准变体上爬取，学到的表示对目标方言仍然偏。合成数据若用标准音加规则形变，会漏掉真实方言里不规则的词汇和韵律。众包可以加速，但质量、知情同意和地域标签错误会把“看起来很多小时”变成不可用的噪声。算法改进在数据已经饱和的标准音上最容易显示收益，于是内部排期会继续往标准音堆模型，方言切片继续饿着。这与“训练分布造成人群差”是同一座山的另一面：那边说差距从哪来，这边说差距不能只靠换模型消掉。
怎么研究
画学习曲线：固定模型族，只改变目标口音/方言的小时数，看 WER 下降是否还在陡峭段。对照“加大模型、数据不变”与“数据加倍、模型不变”。报告小时数时写明说话人数、信道和是否朗读。少到几十位说话人的“方言模型”不能外推到该地区。不要用标准音测试集上的新 SOTA 当作方言问题已经解决。
边界
对只差在通道或增益的轻微口音，现有模型有时已经够用，不必为每个个体建库。极度濒危、说话人极少的变体，规模化采集在伦理和事实上都不成立，应改用人工转写或其他输入，而不是承诺识别。迁移学习在近亲变体之间可以省一些数据，仍需要目标侧的验证集，不能把“算法能迁移”写成“不用采了”。法律与同意限制比算法更硬：没有合法数据，就不能上线对该群体的声称。
怎么落地
- 把方言和口音支持写成数据采集里程碑，没有小时数与说话人多样性就不要在能力列表里勾选。
- 评估新模型时强制带上缺口切片；只在标准音上涨分的改动，不算对该项能力的改进。
- 在数据缺口关闭之前，界面诚实标明不支持的变体，并保留键盘等完成路径。