Jul, 2022

Huqariq: 秘鲁原生语言的多语言语音语料库用于语音识别

PDF
TL;DR使用众包方式收集，秘鲁土著语言 Huqariq 语料库收录了 220 小时的多种土著语音频记录，旨在保护濒危语言，可用于开发语音识别、语言识别和语音合成工具，目前收录 4 种土著语，并计划在 2022 年前达到收录 20 种种土著语的目标。
huqariq corpusspeech technologiesendangered languages preservationperuvian native languagescrowdsourcing
发现论文，激发创造
  • Kencorpus: 一个用于自然语言处理任务的肯尼亚斯瓦希里语、多鲁奥语和卢希亚语语料库

    Kencorpus, the first corpus of its kind for low-resource Indigenous African languages, endeavors to fill the gap in the development of Natural Language Processing and Machine Learning datasets for Swahili, Dholuo, and Luhya languages, enabling text and speech data-driven solutions in applications like machine translation, question-answering, and transcription.

    Aug, 2022

  • MuAViC: 一个用于稳健语音识别和文本翻译的多语言音视频语料库

    MuAViC 是首个开放的多语言视听数据集，共提供了 1200 小时覆盖 9 种语言的视听数据，可应用于嘈杂环境下的语音识别和翻译模型构建。

    Mar, 2023

  • 原生语言的 ASR 进展：Quechua, Guarani, Bribri, Kotiria 和 Wa'ikhana

    我们通过爬取广泛的语音语料库并应用数据增强方法，为五种土著语言（Quechua、Guarani、Bribri、Kotiria 和 Wa'ikhana）提供了可靠的自动语音识别（ASR）模型，其中包括 Wav2vec2.0 XLS-R 模型的不同变体

    Apr, 2024

  • QASR：QCRI Aljazeera 语音资源 -- 大规模标注的阿拉伯语音语料库

    该论文介绍了目前最大的阿拉伯语语音数据集 QASR，包含 2000 小时的文本和语音数据，可以用于语音识别、语音和 / 或语言学中阿拉伯语方言识别、语音人物识别和潜在的其他 NLP 模块的训练和评估。对于下游 NLP 任务，如命名实体识别和阿拉伯语标点修复，该数据集还提供了基线结果。

    Jun, 2021

  • 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

  • VoxPopuli: 面向表示学习、半监督学习和解释的大规模多语种语音语料库

    介绍了 VoxPopuli，它是一个大规模的多语种语音语料库，提供包含 23 种语言的 100K 小时未标记语音数据，以及 16 种语言中的 1.8K 小时转录演讲和对应的 5 种其他语言的 5.1K 小时口译。该语料库还提供了语音识别基线和验证了 VoxPopuli 未标记数据在半监督学习中的多用途性。语料库将在该网址下公开发布。

    Jan, 2021

  • 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

  • 印度低资源语言的带注释语音语料库：Awadhi、Bhojpuri、Braj 和 Magahi

    本文介绍我们正在进行的工作，使用语言学数据收集的领域方法，为四种资源匮乏的印度 - 雅利安语言 —— 阿瓦德语、博杰普尔语、布拉杰语和马加希语开发语音语料库。我们还讨论了这些语言的数据收集方法，大部分是在 COVID-19 疫情期间进行的，目的之一是为讲这些语言的低收入群体提供额外的收入来源，并讨论了这些语言的自动语音识别系统的基线实验结果。

    Jun, 2022

  • BibleTTS：一个大型、高保真、多语种且独特的非洲语音语料库

    BibleTTS 是一个由 Open.Bible 项目自 Biblica 发布的圣经记录而来的语音数据集，共有十种撒哈拉以南非洲的语言，为各种语言的文本转语音模型的开发提供了高质量的 48kHz 单人演讲录音素材。

    Jul, 2022

  • 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