Immaginate un modello di intelligenza artificiale con 300 milioni di parametri che batte un colosso da 1,5 miliardi come Whisper Large v3. Sembra impossibile, ma è proprio ciò che è successo per la lingua persiana, grazie a un nuovo studio sui sistemi di riconoscimento vocale (ASR) per lingue a bassa risorsa.
Il problema principale per lingue come persiano, arabo e urdu è la mancanza di dati etichettati: ore di audio con la trascrizione corretta. I ricercatori hanno aggirato l'ostacolo puntando su 3.000 ore di audio *non* etichettato, molto più facile da reperire. Hanno usato una tecnica chiamata "continual pretraining cross-lingue": il modello impara prima la struttura generale del suono da tutte e tre le lingue insieme, sfruttando le somiglianze dell'alfabeto perso-arabo, per poi specializzarsi.
L'ingrediente segreto è un tokenizzatore "morfologicamente consapevole", capace di spezzare le parole in unità significative (radici, prefissi, suffissi) invece che in semplici caratteri o byte. Questo rende l'apprendimento molto più efficiente per lingue complesse come l'arabo.
Il risultato? Un modello 5 volte più piccolo di Whisper v3 che lo supera sul persiano e se la gioca alla pari su arabo e urdu, usando molta meno dati supervisionati. La lezione è chiara: per l'ASR inclusivo non serve per forza un modello gigante, ma dati giusti e una strategia di addestramento intelligente. Una strada concreta per dare voce a centinaia di lingue oggi ignorate dalla tecnologia.
