研究揭示模型后训练压缩会加剧Whisper语音识别的人口统计学不公平现象
自动语音识别（ASR）模型通常在全精度下接受人口统计公平性审查，但实际生产部署的模型大多经过量化、剪枝和蒸馏等压缩处理。该研究探索了后训练权重压缩是否会重新分配不同人口群体的识别错误负担。在Fair-Speech、Common Voice 25和AfriSpeech-200等数据集上的评测显示，对Whisper-large-v3执行50% Wanda剪枝会显著拉大黑人/非裔与亚裔群体间的词错误率差距，表明压缩会复合加剧时间成本与识别公平性差异。
推荐理由探讨了模型压缩对语音识别公平性的负面影响，为生产端模型的安全治理与伦理审计提供了实证参考。
原标题：Temporal Taxation Compounds Under Post-Training Compression of Whisper Models
阅读 arXiv 自然语言处理 原文 ↗