Jun, 2022

Makerere Radio Speech Corpus: 适用于自动语音识别的 Ganda 无线电语料库

PDF
TL;DR本文介绍了一个基于 Coqui STT 开源工具包的 Luganda 语音语料库的开发，该语料库包含了 155 小时的无线电记录，是撒哈拉以南非洲首个公开无线电数据集，用于在没有社交媒体的社会中识别边缘人群的言语和观点。
radio monitoringautomatic speech recognitionunder-resourced languagesradio datasetluganda asr
发现论文，激发创造
  • 利用无线电存档进行低资源语音识别：面向文盲用户的智能虚拟助手

    通过对噪音广播档案的无监督的语音表示学习方法进行调查，我们的贡献包括发布两个数据集到研究社区以及共享受过训练的语音编码器，最终分享了 Maninka、Pular 和 Susu 等语言的首个语音识别模型，为服务于数字鸿沟中穷困落后的人群而提供了一种道路。

    Apr, 2021

  • 非洲土著语言语音转文本应用中的音素表示和转写：以斯瓦希里语为例

    研究探索了 Kiswahili 语音文本的转录和 Kiswahili 语音语料库的开发，提供了 CMU Sphinx 语音识别工具箱创建的 Kiswahili 音素字典，以及使用扩展的音位集培训的 ASR 模型，使得模型优于以前类似研究的表现，并可在听障者中实现其母语的转录。

    Oct, 2022

  • 利用众包数据构建一种卢干达语文字转语音模型

    通过使用多位相似语调的多说话者的数据进行训练，并应用数据预处理方法来改善语音质量，表明在较少数据的情况下，通过获取多位相似语调的多说话者的数据来提高 TTS 质量的有效性。

    May, 2024

  • Luganda 语音意图识别用于物联网应用

    该研究项目旨在为物联网应用开发一种 Luganda 语音意图分类系统，从而将当地语言纳入智能家居环境中。

    May, 2024

  • 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

  • 赞比西之声：赞比亚语言的多语言语音语料库

    Zambezi Voice 为挖掘两个不同语音来源的 Zambian 众所周知，首次推出了适用于 Zambian 语言的多语言语音数据集，可用于监督和非监督的学习方法，同时利用 Wav2Vec2.0 模型进行预训练和跨语言迁移学习，构建出基于端到端的语音识别模型。

    Jun, 2023

  • 自动化语音工具，帮助社区处理受限语料库以推进语言复兴

    该研究提出了一种隐私保护的工作流程，通过集成语音活动检测（VAD）、自动语音识别（ASR）等技术，提高对受保护语言音频数据的注释效率。该流程旨在为那些使用英语等共同语言进行元语言评论和提问的语音录音解决元语言转录上的问题。研究结果表明匹配得当的这种方法可以在保持数据私密原则的前提下加速记录的元语言转录，并有效减少了数据浏览和筛选的时间。

    Apr, 2022

  • 计算语言学文档实验用的极低资源语音语料库

    这篇论文介绍了一个收集自非洲 Bantu C25 语族中的一种语言 Mboshi 的语音语料库，在几乎零的资源条件下构建了该语料库，并利用其中的数据完成了口语术语发现。该论文讨论了如何收集，清理和处理数据，并将该数据集提供给社区进行可重现的计算语言文献研究和评估。

    Oct, 2017

  • KinSPEAK: 通过半监督学习方法改进基尼亚万达语的语音识别

    通过自监督预训练、课程表安排进行微调以及利用大规模未标记语音数据的半监督学习，我们展示出在金雅琳达语（Kinyarwanda）的语音识别性能方面的显著提升。我们的方法仅关注使用公共领域数据，在公共网站上收集了一个新的高质量语音数据集，然后用于训练一个干净的基线模型，该模型再用于对来自多样且噪声较大的公共数据集中的示例进行排名，从而定义了一个简单的课程表训练计划。最后，我们采用四代连续的半监督学习方法对大规模未标记数据进行标记和学习。根据我们所知，我们的最终模型在新数据集上的字错率（WER）为 3.2％，在 Mozilla Common Voice 基准上的 WER 为 15.9％，这是目前最先进的。我们的实验还表明，对于金雅琳达语的语音识别性能而言，采用音节而不是字符的分词方法结果更好。

    Aug, 2023

  • 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