Apr, 2021

BSTC：中英文大规模语音翻译数据集

PDF
TL;DR本文介绍了 BSTC (Baidu Speech Translation Corpus) 数据集，该数据集基于一组讲座授权视频构建，包括约 68 小时的普通话数据、它们的手动转录和英语翻译，以及自动语音识别 (ASR) 模型的自动转录。我们进一步邀请了三名经验丰富的口译员在模拟会议场景中同时口译测试讲座。预计该语料库将促进自动同声传译的研究以及实用系统的开发。我们组织了同声传译任务，并使用该语料库评估了自动同声传译系统。
发现论文，激发创造
  • GigaST：一份拥有 10,000 小时的伪语音翻译语料库

    本文介绍 GigaST 数据集，它是一个大规模的伪语音转换语料库，通过翻译英文 ASR 语料库 GigaSpeech 到德语和中文等加入大量的机器翻译的数据用于训练，最终的 ST 模型在 MuST-C 英语 - 德语基准测试集中获得了最新的最好成果。

    Apr, 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

  • TALCS：一份开源的汉英混杂语料库及其语音识别基准

    本文介绍了一种新的普通话 - 英语混用语音识别语料库 (TALCS corpus)，适用于训练和评估混合语音识别系统。使用 TALCS 语料库，作者在两个流行的语音识别工具包（ESPnet 和 Wenet）上进行实验以构建基线系统，证明了录音和转录的质量很有前途且基线系统可行。

    Jun, 2022

  • LCSTS: 一个大型的中文短文本摘要数据集

    本文介绍了一个由新浪微博构建的大型中文短文本摘要数据集，包含超过 200 万条中文短文本和对应的短摘要，并通过该数据集引入了基于递归神经网络的摘要生成方法，取得了良好的效果，该方法不仅显示了所提出数据集在短文本摘要研究中的有用性，也为后续研究提供了基线。

    Jun, 2015

  • 用于语音识别和翻译的多语种 TEDx 语料库

    我们提供了一个多语言 TEDx 语料库，支持语音识别和语音翻译的研究，可以建立在许多非英语源语言上。这个语料库是一个来自 TEDx 演讲的音频记录集合，提供了 8 个源语言，我们将转录分割成句子，并将它们与源语言音频和目标语言翻译对齐。此外，我们提供基线模型，包括多语种模型，以提高低资源语种的翻译性能。

    Feb, 2021

  • FFSTC：方贝到法语口语翻译语料库

    介绍了首次推出的 Fongbe 到法语语音翻译语料库 (FFSTC)，该语料库包含约 31 小时的 Fongbe 语言内容，包括法语转录和相应的 Fongbe 语音录音，并通过使用 Fairseq 的 transformer_s 和 conformer 模型进行基线实验来评估数据质量和有效性，结果表明 transformer_s 模型得分 8.96，conformer 模型得分 8.14，为 FFSTC 语料库建立了基准。

    Mar, 2024

  • THCHS-30：一个免费的中文语音语料库

    该研究提供了一个免费的中文语音数据库 THCHS-30，以支持免费数据运动，帮助年轻的语音识别研究者以及刚开始关注该领域的人们。他们报告了基于该数据库建立的基准系统，包括在高噪声条件下的性能表现。

    Dec, 2015

  • 具有篇章标注的双语平行语料库

    这篇论文描述了 BWB 这个由专家将汉语小说翻译成英文的大型平行语料库，以及一个用于探究机器翻译系统建模各种语篇现象的标注测试集，希望这个资源能够为更多的文档级机器翻译工作提供指导和灵感。

    Oct, 2022

  • CoVoST 2 和大规模多语音言语音到文本翻译

    发布 CoVoST 2 语料库，其中包括来自 21 种语言翻译成英语和从英语翻译成 15 种语言的大规模多语言语音翻译语料库，此数据集是目前总量最大、语言覆盖面最广的公开数据集，同时提供 extensive 的语音识别、双语和多语言机器翻译及语音翻译的基线结果。

    Jul, 2020

  • 一个高质量且大规模的英越语音翻译数据集

    本研究介绍了一个高质量和大规模的英越语音翻译基准数据集，并使用强基线进行实证实验，发现传统的 “级联” 方法仍然优于现代的 “端到端” 方法，这是有关大规模英越语音翻译的第一项研究，我们的数据集和研究可用于未来研究和应用的起点。

    Aug, 2022