FINE-TUNING MODEL WHISPER UNTUK TRILINGUAL SPEECH RECOGNITION INDONESIA–ARAB–INGGRIS PADA UCAPAN CODE-SWITCHING | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

FINE-TUNING MODEL WHISPER UNTUK TRILINGUAL SPEECH RECOGNITION INDONESIA–ARAB–INGGRIS PADA UCAPAN CODE-SWITCHING


Pengarang

Ammar Qurthuby - Personal Name;

Dosen Pembimbing

Zahnur - 196905291994031002 - Dosen Pembimbing I
Husaini - 198806242022031006 - Dosen Pembimbing I



Nomor Pokok Mahasiswa

2208107010031

Fakultas & Prodi

Fakultas MIPA / Informatika (S1) / PDDIKTI : 55201

Subject
-
Kata Kunci
-
Penerbit

Banda Aceh : .,

Bahasa

No Classification

-

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Automatic Speech Recognition (ASR) trilingual adalah sistem yang mentranskripsikan
ucapan tiga bahasa sekaligus. Penelitian ini mengembangkan sistem ASR trilingual
Indonesia-Arab-Inggris melalui fine-tuning model Whisper Small untuk menangani
fenomena code-switching. Whisper Small dipilih karena kemampuan multibahasanya
dari 680.000 jam pre-training. Korpus latih hasil kurasi yang diberi nama INAGRIS
(Indonesia–Arab–Inggris) dikompilasi dari empat belas sumber data publik (antara lain
Common Voice, FLEURS, LibriSpeech, ClArTTS, TITML-IDN), rekaman
code-switching nyata dari podcast Hari Minggoean dan Homostoria serta korpus
QCRI/ESCWA, dan augmentasi code-switching sintetis, dengan total 173,86 jam audio
dan 83.388 utterance. Selain itu, dihimpun langsung himpunan uji independen
INF23_CS berisi 571 ujaran code-switching trilingual nyata dari 57 penutur sebagai
tolok ukur generalisasi. Pelatihan menggunakan strategi curriculum learning dua fase,
yaitu Fase 1 membangun fondasi monolingual (56.010 utterance) dan Fase 2
memperluas ke code-switching (67.167 utterance). Evaluasi pada test set (8.163
utterance) menunjukkan penurunan WER yang signifikan dibandingkan model
zero-shot. WER bahasa Indonesia turun dari 23,93% menjadi 7,78%, bahasa Arab dari
38,05% menjadi 15,82%, bahasa Inggris dari 7,56% menjadi 3,94%, dan segmen
code-switching dari 124,71% menjadi 36,45%. Penurunan serupa terlihat pada dua
metrik pelengkap, dengan MER keseluruhan turun dari 36,50% menjadi 13,80% dan
CER dari 19,67% menjadi 5,79%. Model trilingual terbukti setara dengan tiga model
monolingual khusus, dengan selisih WER di bawah 2 persen pada semua bahasa, dan
mampu mengenali ujaran code-switching. Penelitian ini menghasilkan model ASR
trilingual Indonesia-Arab-Inggris beserta korpus dan tolok ukur evaluasinya.

Trilingual Automatic Speech Recognition (ASR) transcribes speech in three languages simultaneously. This research develops a trilingual Indonesian-Arabic-English ASR system by fine-tuning the Whisper Small model to handle code-switching. Whisper Small was selected for its multilingual capability from 680,000 hours of pre-training. The curated training corpus, named INAGRIS (Indonesian–Arabic–English), was compiled from fourteen publicly available sources (including Common Voice, FLEURS, LibriSpeech, ClArTTS, TITML-IDN), real code-switching recordings from the Hari Minggoean and Homostoria podcasts and the QCRI/ESCWA corpus, and synthetic code-switching augmentation, totaling 173.86 hours of audio and 83,388 utterances. In addition, an independent test set INF23_CS containing 571 genuine trilingual code-switching utterances from 57 speakers was directly collected as a generalization benchmark. Training used a two-phase curriculum learning strategy, where Phase 1 built a monolingual foundation (56,010 utterances) and Phase 2 extended the capability to code-switching (67,167 utterances). Evaluation on a test set of 8,163 utterances shows significant WER reductions compared to the zero-shot model. WER for Indonesian dropped from 23.93% to 7.78%, Arabic from 38.05% to 15.82%, English from 7.56% to 3.94%, and code-switching segments from 124.71% to 36.45%. Similar reductions were observed for the two complementary metrics, with overall MER dropping from 36.50% to 13.80% and CER from 19.67% to 5.79%. The trilingual model proved comparable to three separately trained monolingual models, with WER differences below 2 percent for all languages, and can recognize code-switching speech. This research produces a trilingual Indonesian-Arabic-English ASR model together with its corpus and evaluation benchmark.

Citation



    SERVICES DESK