印度語言（Indic）的自動語音識別（ASR）在特定領域，如數字串、貨幣金額、地址、品牌名以及英語-印度語混合代碼（code-mix）中，面臨着巨大挑戰。現有的開源和商業ASR系統在這些實體密集的場景下表現不佳。一項新的研究提出了一種名為“TTS-STT飛輪”的自包含方法，通過合成實體密集的音頻數據，顯著提升了印度語言ASR在專業領域的性能。
研究人員使用了一個開源的印度語言文本轉語音（TTS）管道，合成了大約22,000條實體密集的印度-英語代碼混合話語。這些合成音頻涵蓋了數字、貨幣、地址等實體，並用於訓練或改進語音轉文本（STT）系統。在泰盧固語（Telugu）測試集上，該測試集由合成系統保留未使用，開源最佳模型vasista22/whisper-telugu-large-v2的實體命中率（EHR）僅為0.027，而商業系統Deepgram Nova-3的EHR為0.16。通過TTS-STT飛輪方法，EHR飆升至0.98，幾乎完美識別。
該方法的成功在於創建了一個自我強化的循環：TTS系統生成高質量的實體密集音頻，然後用於提升STT系統，同時STT系統的改進反饋可用於優化TTS，形成飛輪效應。所有代碼、保留測試集、預測結果、EDSA語料庫以及實體詞典均已開源發佈，以促進該領域的進一步研究。
這項研究不僅解決了印度語言ASR中一個長期被忽視的領域，還展示了合成數據在克服低資源語言數據稀缺問題上的巨大潛力。它特別適用於需要高精度實體識別的應用場景，如語音支付、地址導航和客户服務。