基于语言感知与错误驱动优化的多语言 ASR Agentic 数据采样框架

英文标题：Agentic Data Sampling Framework for Multilingual ASR via Linguistic-Aware Error-Driven Optimization

论文提出了一种用于多语言自动语音识别（ASR）的 Agentic 数据采样框架，探索通过语言学感知和错误驱动的动态优化来提升多语言识别性能。研究指出，在大规模预训练模型与多语种语料背景下，训练数据的采样配比策略对最终识别效果起着决定性作用。该方法为解决低资源与高资源语言之间的性能失衡问题提供了智能化自适应方案，对多语言语音大模型的构建和高效训练具有重要参考价值。