Lietuvių spontaninės kalbos automatinis atpažinimas išlieka sudėtinga užduotis dėl ribotų išteklių, tarimo variacijų ir nuostolingo garso įrašų poveikio transkribavimo kokybei. Šio straipsnio tikslas – ištirti Whisper large‑v3 modelio pritaikymą lietuvių spontaninės kalbos atpažinimui taikant Low‑Rank Adaptation (LoRA) strategiją, palyginti jį su baziniu modeliu ir išanalizuoti, kaip papildomas apmokymas veikia transkribavimo kokybę. Gauti rezultatai parodė, kad LoRA strategija reikšmingai pagerino modelio veikimą ir sumažino tiek tekstinį, tiek fonetinį nutolimą nuo tikrųjų transkripcijų.
This work is licensed under a Creative Commons Attribution 4.0 International License.
