Apr, 2020

ClovaCall：面向目标的韩语对话语音语料库，用于联系中心的自动语音识别

PDF
TL;DR本研究介绍了一个新的大规模韩语呼叫语音语料库并证实其有效性。该语料库是在餐厅预订领域下针对目标导向的对话情境带来的，包括近 11,000 人的超过 60,000 个短语和其相应的语音表达。同时，该研究通过两个标准 ASR 模型对 ClovaCall 数据集进行了密集实验，并通过网络公开了相关数据集和基准源代码。
automatic speech recognitioncall-based speech corporakorean languagegoal-oriented dialog scenarioclovacall dataset
发现论文，激发创造
  • 日本客服中心中处理客户投诉和倾听时的同情对话语料库

    该论文描述了一个新的电话中心情境下的日语语音语料库 CALLS，用作同情对话语音合成的训练集。同时，它还分析了 CALLS 和现有的 STUDIES 语料库之间的差异，并探究了训练合成语音时这些差异的影响。

    May, 2023

  • 口语客服对话中用户请求和抱怨的预测

    该研究通过使用 HealthCall 数据集，评估了自动预测用户请求类型和检测投诉等两项客户关系管理任务，并探索了 14 种特征集作为输入。结果显示，语言特征总是提供最佳结果，并且 Wav2Vec 2.0 特征似乎比 ComPaRe16 特征更适用于这两项任务。嗓音互动特征在使用仅六个特征时在投诉任务上取得了 57% 的成果。

    Jul, 2022

  • 推进语音翻译：普通话 - 英语电话会话语料库

    本文介绍了英语翻译，适用于部分通话家庭普通话数据和香港科技大学普通话电话语音数据的语音翻译任务。研究表明，将通用翻译模型微调为普通话 - 英语对话电话语音训练集可以使目标领域 BLEU 提高 8 个百分点以上，突显了配对训练数据的重要性。

    Mar, 2024

  • 利用基于数据的方法和混合 HMM 与 CNN-TDNN 实现噪声电话环境下的代码切换乌尔都语自动语音识别

    本文介绍了在嘈杂的呼叫中心环境中，使用链式混合 HMM 和 CNN-TDNN 来构建资源高效的自动语音识别 / 语音转文本系统，以解决自动化语音识别在区域呼叫中心中的 “代码切换” 问题，以提高关键词搜索和情感分析的准确性，实现了 5.2% 的识别错误率。

    Jul, 2023

  • Common Voice: 一個大規模多語言語音語料庫

    Common Voice 是一个为语音技术研究和开发设计的大型多语言转录音频资源，采用众包方式进行数据收集和验证，目前包括 29 种语言，收集了超过 2500 小时的音频数据，实现了多语言端到端的自动语音识别。

    Dec, 2019

  • MSR-86K：一个包含 86,300 小时语音转换文本的多语种演变语料库，用于语音识别研究

    该论文介绍了 MSR-86K，这是一个逐渐增长的大规模多语言语音识别研究语料库，由 YouTube 上公开可访问的视频转录数据组成，包括 15 种语言和总共 86300 小时的 ASR 数据。同时，该论文还介绍了如何使用 MSR-86K 语料库和其他开源语料库来训练一个与 Whisper 相媲美的强大的多语言语音识别模型。我们将在 HuggingFace 上公开发布 MSR-86K，相信这样一个大规模的语料库将为多语言语音识别的研究开辟新的道路。

    Jun, 2024

  • 面向任务的对话作为自我监督的自动语音识别催化剂

    通过对话的对比学习方法，在不成功的对话中发现易于检测的问题，从而提高自动语音识别模型在任务导向对话中的性能。

    Jan, 2024

  • 芬兰议会 ASR 语料库 - 分析，基准测试和统计

    本文介绍了芬兰议会 ASR 语料库及相关的 Kaldi-based 数据准备管道，HMM，HMM-DNN 和 AED ASR 配方，以及通过测试集和其他数据集在 ASR 上设置了基准，最后比较了不同议会元数据的 ASR 准确性变化。

    Mar, 2022

  • 用于德语端到端语音识别的大语料 CTC 分割

    本研究结合之前未标注的语音数据通过采用 CTC 预训练的两阶段方法生成训练数据，使用 CTC 和 attention Transformer 模型对德语语音识别进行训练，实现了 12.8％的识别错误率，超过了传统混合 DNN / HMM ASR 的 14.4％的基础水平。

    Jul, 2020

  • 通过欧盟辩论自动语音识别进行政治语料库创建

    本文提出了一个欧盟议会 LIBE 委员会的书面语料库，总计 3.6 百万字。在实验过程中，我们使用基于 transformer 的 Wav2vec2.0 模型作为自动语音识别（ASR）流程的基础，并尝试了多个音频模型，语言模型和特定领域术语的添加来适应领域。结果表明，特定领域的音频模型和语言模型显着提高了 ASR 输出的质量，将错误率从 28.22 降至 17.95，并对下游分析任务有用。

    Apr, 2023