印度语言（Indic）的自动语音识别（ASR）在特定领域，如数字串、货币金额、地址、品牌名以及英语-印度语混合代码（code-mix）中，面临着巨大挑战。现有的开源和商业ASR系统在这些实体密集的场景下表现不佳。一项新的研究提出了一种名为“TTS-STT飞轮”的自包含方法，通过合成实体密集的音频数据，显著提升了印度语言ASR在专业领域的性能。
研究人员使用了一个开源的印度语言文本转语音（TTS）管道，合成了大约22,000条实体密集的印度-英语代码混合话语。这些合成音频涵盖了数字、货币、地址等实体，并用于训练或改进语音转文本（STT）系统。在泰卢固语（Telugu）测试集上，该测试集由合成系统保留未使用，开源最佳模型vasista22/whisper-telugu-large-v2的实体命中率（EHR）仅为0.027，而商业系统Deepgram Nova-3的EHR为0.16。通过TTS-STT飞轮方法，EHR飙升至0.98，几乎完美识别。
该方法的成功在于创建了一个自我强化的循环：TTS系统生成高质量的实体密集音频，然后用于提升STT系统，同时STT系统的改进反馈可用于优化TTS，形成飞轮效应。所有代码、保留测试集、预测结果、EDSA语料库以及实体词典均已开源发布，以促进该领域的进一步研究。
这项研究不仅解决了印度语言ASR中一个长期被忽视的领域，还展示了合成数据在克服低资源语言数据稀缺问题上的巨大潜力。它特别适用于需要高精度实体识别的应用场景，如语音支付、地址导航和客户服务。