arkhumsciАрктика XXI векArctic XXI century3034-73783034-7386Северо-Восточный федеральный университет им. М. К. Аммосова10.25587/3034-7378-2025-4-56-78arkhumsci-242Research ArticleСтатьиПодходы к распознаванию и синтезу речи для якутского языка на основе нейросетей архитектуры TransformerTransformer-Based Neural Network Approaches for Speech Recognition and Synthesis in the Sakha Languagehttps://orcid.org/0000-0001-9445-2726СтепановС. П.StepanovS. P.

Степанов Сергей Павлович – кандидат физико-математических наук, ведущий  научный  сотрудник,  руководитель, лаборатория «Вычислительные технологии и искусственныйинтеллект» , Институт математики и информатики

Якутск

WoS Researcher ID: F-7549-2017

Scopus Author ID: 56419440700

Elibrary Author ID: 856700

Sergei  P.  Stepanov  –  Cand.  Sci.  (Physics  and  Mathematics),  Head,  the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

Yakutsk

WoS  Researcher ID:  F-7549-2017

Scopus  Author  ID:  56419440700

Elibrary AuthorID: 856700

sp.stepanov@s-vfu.ruhttps://orcid.org/0000-0003-4688-7762ЧжанД.ZhangDong

Чжан Дун – кандидат физико-математических наук, доцент  

 WoS  Researcher ID:  ACW-5232-2022

Scopus  Author ID: 57212194896

Цюйфу, Шаньдун

Dong  Zhang – Cand. Sci. (Physics and Mathematics), Associate Professor

Qufu,  Shandong

WoS  Researcher ID:  ACW-5232-2022

Scopus  Author ID: 57212194896

dz_zhangdong@163.comАлексееваА. А.AlekseevaA. A.

Алексеева Алтана Александровна – лаборант, лаборатория «Вычислительные технологии и искусственныйинтеллект», Институт математики и информатики

Якутск

Altana A. Alekseeva –  Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

altana.alexeeva@gmail.comАпросимовВ. Л.AprosimovV. L.

Апросимов Владислав Леонидович – лаборант, лаборатория «Вычислительные технологии и искусственный интеллект», Институт математики и информатики

Якутск

Vladislav L. Aprosimov – Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

malysay88@gmail.comФедоровДь. А.FedorovDj. A.

Федоров  Дьулуур  Андрианович  –  лаборант,  лаборатория  «Вычислительные технологии и искусственный интеллект», Институт математики и информатики

Якутск

Djuluur A.  Fedorov – Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

fjuluur@mail.ruЛеверьевВ. С.LeveryevV. S.

Леверьев  Владимир  Семенович  –  лаборант,  лаборатория  «Вычислительные технологии и искусственный интеллект», Институт математики и информатики

Якутск 

Vladimir S.  Leveryev – Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

leverev.vs@svfu.ruНовгородовТ. А.NovgorodovT. A.

Новгородов  Туйгун  Александрович  –  лаборант,  лаборатория «Вычислительные технологии  и  искусственный  интеллект»,  Институт  математики  и  информатики

Якутск 

Tuygun A. Novgorodov – Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

tuygun2000@gmail.comПодорожнаяЕ. С.PodorozhnayaE. S.

Подорожная Екатерина  Сергеевна  –  лаборант,  лаборатория  «Вычислительные технологии  и  искусственный  интеллект»,  Институт  математики  и  информатики

Якутск 

Ekaterina S. Podorozhnaya – Research  Assistant,     the Laboratory  “Computational  Technologies  and  Artificial  Intelligence”,  Institute of  Mathematics  and  Information  Science

 Yakutsk

ekpodor@gmail.comЗахаровТ. З.ZakharovT. Z.

ЗахаровТимур Захарович – лаборант, лаборатория «Вычислительныетехнологии и искусственный интеллект», Институт математики и информатики

 Якутск

Timur  Z.  Zakharov  –  Research  Assistant,    laboratory  “Computational Technologies and Artificial Intelligence”, Institute of Mathematics and Information Science

Yakutsk

timu.zaxarov40@gmail.comСеверо-Восточный федеральный университет им. М. К. АммосоваРоссияM.K. Ammosov North-Eastern Federal UniversityRussian FederationЦюйфуский педагогический университетКитайQufu Normal UniversityChinaСеверо-Восточный федеральный университет им. М. К. АммосоваРоссияM.K. Ammosov North-Eastern Federal UniversityRussian FederationСеверо-Восточный федеральный университет им. М.К.АммосоваRussian FederationM.K. Ammosov North-Eastern Federal UniversityRussian FederationСеверо-Восточный федеральный университет им. М.К. АммосоваRussian FederationM.K. Ammosov North-Eastern Federal UniversityRussian Federation202517012026045678Copyright © Степанов С.П., Чжан Д., Алексеева А.А., Апросимов В.Л., Федоров Д.А., Леверьев В.С., Новгородов Т.А., Подорожная Е.С., Захаров Т.З., 20252025Степанов С.П., Чжан Д., Алексеева А.А., Апросимов В.Л., Федоров Д.А., Леверьев В.С., Новгородов Т.А., Подорожная Е.С., Захаров Т.З.Stepanov S.P., Zhang D., Alekseeva A.A., Aprosimov V.L., Fedorov D.A., Leveryev V.S., Novgorodov T.A., Podorozhnaya E.S., Zakharov T.Z.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.arcticjournal.ru/jour/article/view/242

Новейшие достижения в области искусственного интеллекта и глубокого обучения  кардинально  преобразовали  ландшафт  технологий  обработки  устной речи.  Автоматическое  распознавание  речи  (ASR)  и  синтез  речи  (TTS)  стали ключевыми  компонентами,  обеспечивающими  цифровую  доступность  для различных  языковых  сообществ.  Якутский  язык,  представляющий  северо-восточную ветвь тюркской языковой семьи, продолжает сталкиваться со значительными  технологическими  барьерами,  вызванными  недостаточностью цифровых  ресурсов,  ограниченностью  размеченных  корпусов  и  отсутствием готовых к промышленному использованию систем обработки речи. В данном комплексном  исследовании  изучается  целесообразность  и  эффективность адаптации  современных  нейросетевых  архитектур  на  основе  трансформеров для задач двунаправленного речевого преобразования в якутском языке. Наша работа включает детальный анализ encoder-decoder моделей, а именно: Whisper-large-v3  от  OpenAI  и  Wav2Vec2-BERT  от  Meta  для  преобразования  голоса  в текст, а также системы XTTS-v2 от Coqui для генерации речи из текста. Особое внимание уделяется решению лингвистических и технических проблем, присущих якутскому языку, включая его сложную агглютинативную морфологическую структуру, системные законы сингармонизма и уникальный фонемный состав,  содержащий  звуки,  отсутствующие  в  большинстве  индоевропейских языков. Экспериментальная оценка показывает, что полное дообучение модели Whisper-large-v3 обеспечивает исключительно высокую точность распознавания с коэффициентом ошибок по словам (WER) 8%, в то время как самообучаемая архитектура Wav2Vec2-BERT достигает WER 13% при использовании статистического n-граммного языкового моделирования. Нейросетевая система  синтеза  демонстрирует  устойчивую  производительность  даже  при  ограниченном объеме обучающих данных, достигая среднего значения функции потерь 2,49  после  длительной  оптимизации  обучения  и  практического  развертывания через бот в мессенджере Telegram. Кроме того, ансамблевый мета-стэкинг, объединяющий обе архитектуры распознавания, позволяет достичь WER 27%, что доказывает их эффективную взаимодополняемость через арбитраж гипотез. Полученные результаты подтверждают, что методы трансферного обучения представляют собой жизнеспособный путь для создания речевых технологий, обслуживающих цифрово недостаточно представленные языковые сообщества.

Recent breakthroughs in artificial intelligence and deep learning have fundamentally transformed the landscape of spoken language processing technologies. Automatic speech recognition (ASR) and text-to-speech (TTS) synthesis have emerged as essential components driving digital accessibility across diverse linguistic communities. The Sakha language, representing the northeastern branch of the Turkic language family, continues to face substantial technological barriers stemming from insufficient digital resources,  limited  annotated  corpora,  and  the  absence  of  production-ready  speech processing systems. This comprehensive investigation examines the feasibility and effectiveness of adapting contemporary transformer-based neural architectures for bidirectional speech conversion tasks in Sakha. Our research encompasses detailed analysis  of  encoder-decoder  frameworks,  specifically  OpenAI’s  Whisper  large-v3 and  Meta’s  Wav2Vec2-BERT  for  voice-to-text  transformation,  alongside  Coqui’s XTTS-v2  system  for  text-to-voice  generation.  Particular  emphasis  is  placed  on addressing linguistic and technical obstacles inherent to Sakha, including its complex agglutinative  morphological  structure,  systematic  vowel  harmony  patterns,  and distinctive phonemic inventory featuring sounds absent from most Indo-European languages.  Experimental  evaluation  demonstrates  that  comprehensive  fine-tuning of  Whisper-large-v3  achieves  exceptional  recognition  accuracy  with  word  error rate (WER) of 8%, while the self-supervised Wav2Vec2-BERT architecture attains 13%  WER  when  augmented  with  statistical  n-gram  language  modeling.  The neural synthesis system exhibits robust performance despite minimal training data availability, achieving average loss of 2.49 following extended training optimization and practical deployment via Telegram messaging bot. Additionally, ensemble meta-stacking combining both recognition architectures achieves 27% WER, demonstrating effective  complementarity  through  learned  hypothesis  arbitration.  These  findings validate transfer learning methodologies as viable pathways for developing speech technologies serving digitally underrepresented linguistic communities.

якутский языкавтоматическое распознавание речисинтез речи из текстанейронные сетиWhisperWav2Vec2-BERTCoqui XTTS-v2архитектура Transformerмалоресурсные языкитрансферное обучениеагглютинативная морфологияSakha languageautomatic speech recognitiontext-to-speech synthesisneural networksWhisperWav2Vec2-BERTCoqui XTTS-v2transformer architecturelow-resource languagestransfer learningagglutinative morphologyДанное исследование было выполнено при финансовой поддержке Лаборатории искусственного интеллекта Республики Саха (Якутия), а также при финансовой поддержке РНФ в рамках реализации проекта «Языки и культуры народов Севера и Арктики РФ: комплексные социогуманитарные исследования (на основе анализа больших данных)» № 25-78-30006 от 22.05.2025 г.This research was conducted with financial support from the Artificial Intelligence Laboratory of the Republic of Sakha (Yakutia) and with the financial support of the Russian Science Foundation “Languages and Cultures of the Peoples of the North and the Arctic of the Russian Federation: Comprehensive socio humanitarian research (on the basis of big data)” No 25-78-30006 (22.05.2025)ReferencesBesacier L, Barnard E, Karpov A, Schultz T. Automatic speech recognition for under-resourced languages: A survey. Speech Communication. 2014;(56): 85–100. DOI: https://doi.org/10.1016/j.specom.2013.07.008Besacier L, Barnard E, Karpov A, Schultz T. Automatic speech recognition for under-resourced languages: A survey. Speech Communication. 2014;(56): 85–100. DOI: https://doi.org/10.1016/j.specom.2013.07.008Joshi P, Santy S, Buber A, Bali K, Choudhury M. The state and fate of linguistic diversity and inclusion in the NLP world. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020: 6282–6293.Joshi P, Santy S, Buber A, Bali K, Choudhury M. The state and fate of linguistic diversity and inclusion in the NLP world. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020: 6282–6293.Pakendorf B. Contact in the prehistory of the Sakha (Yakuts): Linguistic and genetic perspectives. LOT Publications: Utrecht. 2007Pakendorf B. Contact in the prehistory of the Sakha (Yakuts): Linguistic and genetic perspectives. LOT Publications: Utrecht. 2007Johanson L, Csató ÉA. The Turkic Languages. Routledge Language Family Series. Routledge: London. 2021. DOI: https://doi.org/10.4324/9781003243809Johanson L, Csató ÉA. The Turkic Languages. Routledge Language Family Series. Routledge: London. 2021. DOI: https://doi.org/10.4324/9781003243809Dyachkovsky ND. Sound structure of the Yakut language. Part 1: Vocalism (Дьячковский Н.Д. Звуковой строй якутского языка. Вокализм). Yakutsk: Yakutsk publishing house. 1971 (in Russian).Dyachkovsky ND. Sound structure of the Yakut language. Part 1: Vocalism (Дьячковский Н.Д. Звуковой строй якутского языка. Вокализм). Yakutsk: Yakutsk publishing house. 1971 (in Russian).Dyachkovsky ND. Sound structure of the Yakut language. Part 2: Consonantism (Дьячковский Н.Д. Звуковой строй якутского языка. Консонантизм). Yakutsk: Yakutsk publishing house. 1977 (in Russian).Dyachkovsky ND. Sound structure of the Yakut language. Part 2: Consonantism (Дьячковский Н.Д. Звуковой строй якутского языка. Консонантизм). Yakutsk: Yakutsk publishing house. 1977 (in Russian).Mussakhojayeva S, Dauletbek K, Yeshpanov R, Varol HA. Multilingual speech recognition for Turkic languages. Information. 2023;14(2): 74. DOI: https://doi.org/10.3390/info14020074Mussakhojayeva S, Dauletbek K, Yeshpanov R, Varol HA. Multilingual speech recognition for Turkic languages. Information. 2023;14(2): 74. DOI: https://doi.org/10.3390/info14020074Rabiner LR. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE. 1989;77(2):257–286. DOI: http://dx.doi.org/10.1109/5.18626Rabiner LR. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE. 1989;77(2):257–286. DOI: http://dx.doi.org/10.1109/5.18626Graves A, Mohamed A, Hinton G. Speech recognition with deep recurrent neural networks. Proceedings of International Conference on Acoustics, Speech and Signal Processing. 2013:6645–6649. DOI: https://doi.org/10.1109/ICASSP.2013.6638947Graves A, Mohamed A, Hinton G. Speech recognition with deep recurrent neural networks. Proceedings of International Conference on Acoustics, Speech and Signal Processing. 2013:6645–6649. DOI: https://doi.org/10.1109/ICASSP.2013.6638947Conneau A, Baevski A, Collobert R, Mohamed A, Auli M. Unsupervised cross-lingual representation learning for speech recognition. In Proceedings of Interspeech. 2021:2426–2430. DOI: https://doi.org/10.48550/arXiv.2006.13979Conneau A, Baevski A, Collobert R, Mohamed A, Auli M. Unsupervised cross-lingual representation learning for speech recognition. In Proceedings of Interspeech. 2021:2426–2430. DOI: https://doi.org/10.48550/arXiv.2006.13979Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Attention is all you need. Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017:5998–6008. DOI: https://doi.org/10.48550/arXiv.1706.03762Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Attention is all you need. Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017:5998–6008. DOI: https://doi.org/10.48550/arXiv.1706.03762Radford A, Kim JW, Xu T, Brockman G, McLeavey C, Sutskever I. Robust speech recognition via large-scale weak supervision. In Proceedings of International Conference on Machine Learning. 2023:28492–28518. DOI: https://doi.org/10.48550/arXiv.2212.04356Radford A, Kim JW, Xu T, Brockman G, McLeavey C, Sutskever I. Robust speech recognition via large-scale weak supervision. In Proceedings of International Conference on Machine Learning. 2023:28492–28518. DOI: https://doi.org/10.48550/arXiv.2212.04356Du W, Maimaitiyiming Y, Nijat M, Li L, Hamdulla A, Wang D. Automatic speech recognition for Uyghur, Kazakh, and Kyrgyz: An overview. Applied Sciences. 2023;13(1):326. DOI: https://doi.org/10.3390/app13010326Du W, Maimaitiyiming Y, Nijat M, Li L, Hamdulla A, Wang D. Automatic speech recognition for Uyghur, Kazakh, and Kyrgyz: An overview. Applied Sciences. 2023;13(1):326. DOI: https://doi.org/10.3390/app13010326Yeshpanov R, Mussakhojayeva S, Khassanov Y. Multilingual text-tospeech synthesis for Turkic languages using transliteration. In Proceedings of Interspeech. 2023:5521–5525. DOI: https://doi.org/10.48550/arXiv.2305.15749Yeshpanov R, Mussakhojayeva S, Khassanov Y. Multilingual text-tospeech synthesis for Turkic languages using transliteration. In Proceedings of Interspeech. 2023:5521–5525. DOI: https://doi.org/10.48550/arXiv.2305.15749Kim J, Kim S, Kong J, Yoon S. Glow-TTS: A generative low for text-to-speech via monotonic alignment search. In Proceedings of the International Conference on Neural Information Processing Systems. 2020:8067–8077. DOI: https://doi.org/10.48550/arXiv.2005.11129Kim J, Kim S, Kong J, Yoon S. Glow-TTS: A generative low for text-to-speech via monotonic alignment search. In Proceedings of the International Conference on Neural Information Processing Systems. 2020:8067–8077. DOI: https://doi.org/10.48550/arXiv.2005.11129Kim J, Kong J, Son J. Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech. In Proceedings of the International Conference on Machine Learning. 2021:5530–5540. DOI: https://doi.org/10.48550/arXiv.2106.06103Kim J, Kong J, Son J. Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech. In Proceedings of the International Conference on Machine Learning. 2021:5530–5540. DOI: https://doi.org/10.48550/arXiv.2106.06103Kong J, Kim J, Bae J. HiFi-GAN: Generative adversarial networks for eficient and high idelity speech synthesis. In Proceedings of the International Conference on Neural Information Processing Systems. 2020:17022–17033. DOI: https://doi.org/10.48550/arXiv.2010.05646Kong J, Kim J, Bae J. HiFi-GAN: Generative adversarial networks for eficient and high idelity speech synthesis. In Proceedings of the International Conference on Neural Information Processing Systems. 2020:17022–17033. DOI: https://doi.org/10.48550/arXiv.2010.05646Shen J, Pang R, Weiss RJ, Schuster M, Jaitly N, Yang Z, Chen Z, Zhang Y, Wang Y, Skerrv-Ryan R., et al. Natural TTS synthesis by conditioning WaveNet on Mel spectrogram predictions. In Proceedings of IEEE ICASSP. 2018:4779–4783. DOI: https://doi.org/10.48550/arXiv.1712.05884Shen J, Pang R, Weiss RJ, Schuster M, Jaitly N, Yang Z, Chen Z, Zhang Y, Wang Y, Skerrv-Ryan R., et al. Natural TTS synthesis by conditioning WaveNet on Mel spectrogram predictions. In Proceedings of IEEE ICASSP. 2018:4779–4783. DOI: https://doi.org/10.48550/arXiv.1712.05884Ren Y, Hu C, Tan X, Qin T, Zhao S, Zhao Z, Liu T-Y. FastSpeech 2: Fast and high-quality end-to-end text to speech. In Proceedings of ICLR. 2021. DOI: https://doi.org/10.48550/arXiv.2006.04558Ren Y, Hu C, Tan X, Qin T, Zhao S, Zhao Z, Liu T-Y. FastSpeech 2: Fast and high-quality end-to-end text to speech. In Proceedings of ICLR. 2021. DOI: https://doi.org/10.48550/arXiv.2006.04558Karibayeva A, Karyukin V, Abduali B, Amirova D. Speech recognition and synthesis models and platforms for the Kazakh language. Information. 2025;16(10):879. DOI: https://doi.org/10.3390/info16100879Karibayeva A, Karyukin V, Abduali B, Amirova D. Speech recognition and synthesis models and platforms for the Kazakh language. Information. 2025;16(10):879. DOI: https://doi.org/10.3390/info16100879Ardila R, Branson M, Davis K, Kohler M, Meyer J, Henretty M, Morais R, Saunders L, Tyers F, Weber G. Common Voice: A massively-multilingual speech corpus. In Proceedings of LREC. 2020:4218–4222. DOI: https://doi.org/10.48550/arXiv.1912.06670Ardila R, Branson M, Davis K, Kohler M, Meyer J, Henretty M, Morais R, Saunders L, Tyers F, Weber G. Common Voice: A massively-multilingual speech corpus. In Proceedings of LREC. 2020:4218–4222. DOI: https://doi.org/10.48550/arXiv.1912.06670Park DS, Chan W, Zhang Y, Chiu C-C, Zoph B, Cubuk ED, Le QV. SpecAugment: A simple data augmentation method for automatic speech recognition. In Proceedings of Interspeech. 2019:2613–2617. DOI: https://doi.org/10.21437/Interspeech.2019-2680Park DS, Chan W, Zhang Y, Chiu C-C, Zoph B, Cubuk ED, Le QV. SpecAugment: A simple data augmentation method for automatic speech recognition. In Proceedings of Interspeech. 2019:2613–2617. DOI: https://doi.org/10.21437/Interspeech.2019-2680Kudo T, Richardson J. SentencePiece: A simple and language independent subword tokenizer and detokenizer for neural text processing. In Proceedings of EMNLP System Demonstrations. 2018:66–71. DOI: https://doi.org/10.48550/arXiv.1808.06226Kudo T, Richardson J. SentencePiece: A simple and language independent subword tokenizer and detokenizer for neural text processing. In Proceedings of EMNLP System Demonstrations. 2018:66–71. DOI: https://doi.org/10.48550/arXiv.1808.06226Baevski A, Zhou Y, Mohamed A, Auli M. wav2vec 2.0: A framework for self-supervised learning of speech representations. In Proceedings of the 34th International Conference on Neural Information Processing System. 2020:12449-12460. DOI: https://doi.org/10.48550/arXiv.2006.11477Baevski A, Zhou Y, Mohamed A, Auli M. wav2vec 2.0: A framework for self-supervised learning of speech representations. In Proceedings of the 34th International Conference on Neural Information Processing System. 2020:12449-12460. DOI: https://doi.org/10.48550/arXiv.2006.11477Graves A, Fernández S, Gomez F, Schmidhuber J. Connectionist temporal classiication: Labelling unsegmented sequence data with recurrent neural networks. In Proceedings of ICML. 2006:369–376. DOI: https://doi.org/10.1145/1143844.1143891Graves A, Fernández S, Gomez F, Schmidhuber J. Connectionist temporal classiication: Labelling unsegmented sequence data with recurrent neural networks. In Proceedings of ICML. 2006:369–376. DOI: https://doi.org/10.1145/1143844.1143891Casanova E, Weber J, Shulby C, Junior AC, Gölge E, Müller MA. XTTS: A massively multilingual zero-shot text-to-speech model. In Proceedings of Interspeech. 2024. DOI: https://doi.org/10.48550/arXiv.2406.04904Casanova E, Weber J, Shulby C, Junior AC, Gölge E, Müller MA. XTTS: A massively multilingual zero-shot text-to-speech model. In Proceedings of Interspeech. 2024. DOI: https://doi.org/10.48550/arXiv.2406.04904Panayotov V, Chen G, Povey D, Khudanpur S. LibriSpeech: An ASR corpus based on public domain audio books. In Proceedings of IEEE ICASSP. 2015:5206-5210. DOI: https://doi.org/10.1109/ICASSP.2015.7178964Panayotov V, Chen G, Povey D, Khudanpur S. LibriSpeech: An ASR corpus based on public domain audio books. In Proceedings of IEEE ICASSP. 2015:5206-5210. DOI: https://doi.org/10.1109/ICASSP.2015.7178964Dyakonov AG. Ensembles in machine learning: Methods and applications. Data Science Course Materials (Дьяконов А.Г. Ансамбли в машинном обучении). 2019. Available at: https://alexanderdyakonov.wordpress.com (accessed 07.09.2025).Dyakonov AG. Ensembles in machine learning: Methods and applications. Data Science Course Materials (Дьяконов А.Г. Ансамбли в машинном обучении). 2019. Available at: https://alexanderdyakonov.wordpress.com (accessed 07.09.2025).Wolpert DH. Stacked generalization. Neural Networks 1992;5(2): 241-259. DOI: https://doi.org/10.1016/S0893-6080(05)80023-1Wolpert DH. Stacked generalization. Neural Networks 1992;5(2): 241-259. DOI: https://doi.org/10.1016/S0893-6080(05)80023-1Breiman L. Stacked regressions. Machine Learning. 1996;24(1):49–64.Breiman L. Stacked regressions. Machine Learning. 1996;24(1):49–64.Wolf T, Debut L, Sanh V, Chaumond J, Delangue C, Moi A, Cistac P, Rault T, Louf R, Funtowicz M, et al. Transformers: State-of-the-art natural language processing. In Proceedings of the Conference on Empirical Methods in Natural Language Processing: System Demonstrations. 2020:38–45. DOI: https://doi.org/10.18653/v1/2020.emnlp-demos.6Wolf T, Debut L, Sanh V, Chaumond J, Delangue C, Moi A, Cistac P, Rault T, Louf R, Funtowicz M, et al. Transformers: State-of-the-art natural language processing. In Proceedings of the Conference on Empirical Methods in Natural Language Processing: System Demonstrations. 2020:38–45. DOI: https://doi.org/10.18653/v1/2020.emnlp-demos.6Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, et al. PyTorch: An imperative style, high-performance deep learning library. In Proceedings of the International Conference on Neural Information Processing Systems. 2019:8026–8037. DOI: https://doi.org/10.48550/arXiv.1912.01703Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, et al. PyTorch: An imperative style, high-performance deep learning library. In Proceedings of the International Conference on Neural Information Processing Systems. 2019:8026–8037. DOI: https://doi.org/10.48550/arXiv.1912.01703

The authors declare that there are no conflicts of interest present.