WARDEN：仅用6小时数据实现濒危原住民语言的语音识别与翻译

语言多样性是人类文化遗产的重要组成部分，但全球数千种语言面临消亡威胁。传统语音识别与翻译技术依赖大量标注数据，而濒危语言恰恰缺乏资源。最新研究提出WARDEN系统，采用两阶段架构（语音转音素+音素译英文），结合跨语言迁移和词典增强的大模型推理，仅用6小时标注音频数据就实现对澳大利亚濒危原住民语言Wardaman的高质量转录翻译，为低资源语言处理开辟新可能。

Wardaman是澳大利亚北部的濒危原住民语言，使用人数极少。研究团队面临三大挑战：仅有6小时标注音频（远少于主流语言数千小时数据）、无现成Wardaman-英语平行语料、专家资源有限。传统端到端语音识别-翻译方法依赖大量数据学习直接映射，在此极端低资源条件下完全不可行。

WARDEN的核心创新是分阶段架构，分解为两个子任务：

1. 语音到音素转录：将音频转换为最小语音单位音素，任务更简单、数据需求更低；
2. 音素到英文翻译：消除语音识别复杂性，更好利用现有NLP技术。 分阶段优势：降低单阶段复杂度、模块化训练、错误隔离（转录错误不直接传播）。

针对转录阶段数据稀缺，采用跨语言迁移策略：

• 桥梁语言选择：Sundanese与Wardaman音素层面相似；
• 音素嵌入初始化：用Sundanese预训练模型的音素嵌入初始化Wardaman转录模型对应嵌入，加速收敛、改善泛化（处理稀有音素）、保持Wardaman特有音素模式。 实验表明该策略显著提升转录性能。

针对翻译阶段平行语料缺乏，采用词典增强大模型推理：

• 专家词典构建：从专家标注提取Wardaman-英语高频词汇与关键概念对照；
• LLM结合词典：提示中加入相关词典条目引导理解、动态检索输入音素对应的词典条目、生成多候选并筛选排序。 优势：利用LLM泛化能力、注入领域知识、提升可解释性。

在Wardaman数据集评估结果：

1. 超越开源模型：比Whisper等更大开源模型性能更好，说明特定语言优化比模型规模更重要；
2. 超越专有API：甚至超过商业专有服务，证明专用系统在特定领域可胜通用服务；
3. 消融实验：验证分阶段架构、跨语言初始化、词典增强均显著提升性能。

WARDEN的成功具有重要意义：

• 降低技术门槛：仅需6小时数据即可构建实用系统，减少濒危语言数字化成本；
• 社区参与：社区可自行组织数据收集标注，参与技术开发；
• 档案处理：将历史录音转化为可搜索文本；
• 跨语言迁移：为其他濒危语言处理提供知识共享路径。

WARDEN仍有改进空间：

• 数据规模：探索半监督学习、数据增强、主动学习扩充数据；
• 方言变体：研究方言自适应技术处理语言多样性；
• 多语言扩展：识别合适桥梁语言与构建词典；
• 实时应用：优化推理速度与延迟支持对话翻译。 研究团队已公开数据和代码，期待社区推进濒危语言技术研究。