--- format: "aidr-story-markdown/v1" id: "20aa5326c0e1536f4c029c819e4defd6534cd1b853c1f7f15e7dacea9b5cfc0b" canonical_url: "https://aidr.today/20aa5326?lang=vi" title: "Whispering Wisely: Smart Subset Selection for ASR Fine-Tuning" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-27T04:00:00.000Z" category: "Data" topics: ["openai","llm","data-engineering"] source_urls: ["https://arxiv.org/abs/2610.32997"] summary: "Các mô hình Automatic Speech Recognition (ASR) như Whisper của OpenAI đã cải thiện đáng kể chất lượng nhận dạng giọng nói nhưng chi phí fine-tune vẫn cao, đặc biệt khi có nhiều dữ liệu âm thanh đã được chuyển đổi thành văn bản. Điều này khiến nhiều người thực hành gặp khó khăn trong việc điều chỉnh các mô hình này cho ngôn ngữ hoặc lĩnh vực mới. Trong công trình này, chúng tôi giới thiệu phương pháp lựa chọn tập con dựa trên embedding để chọn các tập dữ liệu huấn luyện nhỏ hơn cho việc fine-tune ASR. Sử dụng encoder đã được huấn luyện trước của Whisper, chúng tôi ánh xạ mỗi mẫu âm thanh vào một không gian embedding chiều cố định và áp dụng thuật toán k-center tham lam để chọn các tập con đa dạng và đại diện của dữ liệu huấn luyện. Chúng tôi đánh giá phương pháp này trên cả tiếng Do Thái và tiếng Đan, cho thấy rằng lựa chọn k-center thường cải thiện so với lấy mẫu ngẫu nhiên, đặc biệt ở các kích thước tập con nhỏ. Phân tích sự đa dạng từ vựng tiết lộ rằng các tập con k-center bao phủ một phạm vi rộng hơn của nội dung ngôn ngữ so với các tập con ngẫu nhiên cùng kích thước, điều này có thể giải thích cho hiệu quả quan sát được." --- # Whispering Wisely: Smart Subset Selection for ASR Fine\-Tuning > [Open the canonical story]() **Published:** 2026-10-27T04:00:00.000Z **Category:** Data **Topics:** openai, llm, data\-engineering ## Summary Các mô hình Automatic Speech Recognition \(ASR\) như Whisper của OpenAI đã cải thiện đáng kể chất lượng nhận dạng giọng nói nhưng chi phí fine\-tune vẫn cao, đặc biệt khi có nhiều dữ liệu âm thanh đã được chuyển đổi thành văn bản\. Điều này khiến nhiều người thực hành gặp khó khăn trong việc điều chỉnh các mô hình này cho ngôn ngữ hoặc lĩnh vực mới\. Trong công trình này, chúng tôi giới thiệu phương pháp lựa chọn tập con dựa trên embedding để chọn các tập dữ liệu huấn luyện nhỏ hơn cho việc fine\-tune ASR\. Sử dụng encoder đã được huấn luyện trước của Whisper, chúng tôi ánh xạ mỗi mẫu âm thanh vào một không gian embedding chiều cố định và áp dụng thuật toán k\-center tham lam để chọn các tập con đa dạng và đại diện của dữ liệu huấn luyện\. Chúng tôi đánh giá phương pháp này trên cả tiếng Do Thái và tiếng Đan, cho thấy rằng lựa chọn k\-center thường cải thiện so với lấy mẫu ngẫu nhiên, đặc biệt ở các kích thước tập con nhỏ\. Phân tích sự đa dạng từ vựng tiết lộ rằng các tập con k\-center bao phủ một phạm vi rộng hơn của nội dung ngôn ngữ so với các tập con ngẫu nhiên cùng kích thước, điều này có thể giải thích cho hiệu quả quan sát được\. ## Sources - [Story source]()