單患者構音障礙ASR中的PEFT變體對比：基於Whisper與Qwen3的LoRA家族實證研究

在自动语音识别（ASR）领域，针对构音障碍患者的个性化适配是一个极具挑战性的任务。由于构音障碍患者的语音模式具有高度的个体特异性，传统的通用模型往往难以满足临床需求，因此基于单患者适配器的架构成为生产环境中的首选方案。然而，尽管参数高效微调（PEFT）技术在大规模语言模型中已广泛应用，但在针对特定患者的细粒度适配场景中，不同PEFT变体的实际效能对比却缺乏系统性研究。本文的核心贡献在于填补了这一空白，通过一项严格的单说话人案例研究，对比了包括LoRA、QLoRA、AdaLoRA、DoRA、LoHA、VeRA和VB-LoRA在内的七种主流PEFT变体。研究旨在回答一个关键问题：在资源受限且数据稀缺的临床场景下，哪种微调策略能在保证识别精度的同时，实现存储与计算成本的最优平衡？研究不仅验证了注意力投影适配器在降低字符错误率（CER）方面的显著作用，更通过细致的消融实验，为工业界选择适配方案提供了数据驱动的决策依据。在技术方法层面，研究选取了两个具有代表性的生产级基础模型进行评估：一个是经过匈牙利语微调的Whisper-large-v3，另一个是支持多语言的Qwen3-ASR-1.7B检查点。

研究对象为一名患有严重卒中后构音障碍的匈牙利男性患者，其语音数据包含409条 utterances，并在听觉感知临床评估中被评定为严重构音障碍。研究详细实施了七种PEFT方法的微调流程，重点考察了不同适配器结构对模型性能的影响。特别值得注意的是，研究对比了全量微调与各种轻量级适配器的差异，并引入了注意力投影适配器以增强模型对特定患者语音特征的捕捉能力。在训练策略上，研究采用了严格的统计检验方法，通过三组随机种子下的配对Bootstrap检验，确保实验结果的统计显著性。这种严谨的技术路线不仅涵盖了主流PEFT变体，还深入探讨了不同基础模型架构对微调效果的潜在影响，为理解PEFT在ASR任务中的适用性提供了多维度的技术视角。实验设置与关键结果揭示了PEFT变体在单患者场景下的真实表现。在Whisper和Qwen3两个基准上，研究通过配对Bootstrap检测发现，LoRA与DoRA之间不存在显著差异（p>0.5），两者的CER分别为13.86%/13.90%（Whisper）和28.10%/28.33%（Qwen3）。

鉴于两者性能相当，研究最终选择了更简单、成本更低的LoRA作为基准方案。令人意外的是，广泛使用的4-bit（NF4）QLoRA在每一组种子和两个基准上均表现最差（CER分别为14.56%/30.09%），且在该规模下并未带来预期的内存节省。其他变体如LoHA、VeRA、VB-LoRA和AdaLoRA也未能超越LoRA家族，尽管LoHA在Whisper上仍实现了18.6%的相对CER降低。此外，研究对比了全量微调，其CER为11.43%，精度最高。然而，一个仅115 MB且适配了前馈块（feed-forward blocks）的LoRA适配器，其性能仅比全量微调低0.66个百分点，而存储成本仅为全量微调的3.7%。这一发现极具说服力地证明了LoRA在精度与效率之间的优越平衡。此外，通过6点注册网格实验，研究量化了数据量对性能的影响，发现仅需5分钟的患者音频即可捕获从零样本到30分钟全量数据间CER降低的45.6%，后续在10分钟和30分钟时仍有进一步增益，这为临床快速部署提供了重要参考。

这项研究的行业意义与潜在影响深远。首先，它为构音障碍ASR系统的生产部署提供了明确的工程指导。在医疗资源有限且患者数据稀缺的背景下，研究结果证实了简单的LoRA适配器足以在极低的存储成本下实现接近全量微调的性能，这极大地降低了个性化ASR系统的部署门槛。其次，研究对QLoRA等热门技术在低资源场景下的局限性提出了警示，表明并非所有PEFT变体在所有场景下都有效，特别是在量化精度与微调效果之间需要谨慎权衡。对于开源社区而言，研究承诺将发布训练脚本和食谱，这将促进后续研究者复现结果并探索更优的适配策略。对于工业落地，该研究支持了"小模型+强适配"的技术路线，使得在边缘设备或资源受限的医疗终端上运行个性化ASR成为可能。最后，尽管本研究仅针对单一说话人和单一语言，但其严谨的实验设计和量化分析框架为后续多语言、多患者的扩展研究奠定了方法论基础，有望推动ASR技术在神经康复和辅助沟通领域的更广泛应用。