아삼어(Assamese)와 같이 형태학적으로 풍부하고 자원이 부족한 언어를 위한 자동 음성 인식 (ASR) 기술을 개발하는 것은 주석이 달린 음성 데이터의 부족으로 인해 매우 어렵습니다. 사전 학습된 Whisper 모델은 아삼어 음성 인식 작업에서 낮은 성능을 보입니다. 본 논문은 Mozilla Common Voice 24.0-Assamese 코퍼스로 학습된, 제어된 미세 조정 (Fine-tuning) 기반의 Whisper 아삼어 ASR 시스템을 제시합니다. 자원이 제한된 환경을 위해 혼합 정밀도 학습 (Mixed-precision training) 및 그래디언트 누적 (Gradient accumulation)을 사용하여 Tesla 4 Graphics Processing Units (T4 GPUs)에서 실행되는 하드웨어 인지 최적화 학습 파이프라인을 구현하였습니다. 제안된 미세 조정 모델은 Zero-shot 베이스라인을 크게 능가하였으며, 단어 오류율 (WER) 43.17%, 음절 오류율 (CER) 13.18%, 일치 오류율 (MER) 43%, 단어 정보 손실 (WIL) 64.81%를 기록하여 베이스라인 대비 각각 78.26%, 93.10%, 57.0%, 35.19%의 유의미한 상대적 개선을 달성했습니다. 미세 조정된 모델의 의미론적 평가 또한 Zero 베이스라인 대비 눈에 띄는 개선을 보여주었으며, Bilingual Evaluation Understudy (BLEU) 점수 30.81, Metric for Evaluation of Translation with Explicit ORdering (METEOR) 점수 0.5262를 각각 기록했습니다. 또한, 예측된 환각률 (Hallucination rate)과 실시간 계수 (RTF)는 Zero-shot 베이스라인과 비교하여 각각 96.70% 및 32.38% 대폭 개선되었습니다.