现代自动语音识别（ASR）系统在标准基准测试中取得了显著进展，但在真实世界的分布变化下，性能差距逐渐显现。这些差距源于录音条件、口音、言语障碍和噪声等因素。现有的数据集和基准测试通常将这些因素孤立开来，忽视了它们在实际应用中的共存。
在本文中，我们提出模型的鲁棒性可以视为一种动态能力，持续发展。为此，我们引入了MoDiCoL，一个模块化诊断持续学习数据集，旨在控制分析语言内容、说话者特征和声学环境。此外，我们提出了一种受真实世界启发的持续学习课程，以模拟增量更新，并研究鲁棒性是如何获得、转移和遗忘的。
我们评估了三种持续学习策略，并提供了在不断变化条件下鲁棒性的详细见解。
博主点评： MoDiCoL 数据集的提出为语音识别模型在复杂和变化环境中的表现提供了新的研究方向。通过模块化设计，研究者能够更有效地分析和改进模型的鲁棒性，这是提升实际应用效果的关键。该方法的创新性和实用性值得关注。