COLINGApr, 2024

Killkan: 具有形态句法信息的基准 Kichwa 自动语音识别数据集

PDF
TL;DRKillkan 是第一个专注于 Kichwa 语（厄瓜多尔的一种土著语言）的自动语音识别（ASR）数据集，包含约 4 小时的音频及转录、西班牙语翻译和形态句法注释等信息，旨在为这种极度资源匮乏和濒危的语言提供自然语言处理应用的资源建设。本研究还通过基于语料库的分析，特别关注 Kichwa 语的合成构词和与西班牙语的频繁语码混用，实验证明即使数据集规模较小，也能实现可靠质量的 Kichwa 语 ASR 系统的开发。该数据集、ASR 模型和开发所使用的代码将公开提供，积极展示了对资源建设及其在资源匮乏语言及其社区中的应用。
killkanautomatic speech recognitionkichwa languagelow-resource languagescorpus-linguistic analyses
发现论文，激发创造
  • 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

  • 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

  • 基于楚科奇语的低资源语言自动语音识别

    本文介绍了一个自动语音识别 (ASR) 项目，旨在研究和创建基于楚科奇语的新 ASR 系统。该语言是一种低资源语言，也是一种多合成语，其对于任何自动处理都具有很大的复杂性。通过收集音频和文本数据，我们成功地训练了 XLSR 模型，并使用 CER 度量标准获得了良好的结果。

    Oct, 2022

  • 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

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

    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。

    Jun, 2022

  • 低资源下克丘亚语自动语音识别的数据增强

    本篇论文描述了一种基于数据增强的方法，使用 wav2letter ++ 模型对 Quechua 进行语音识别的实验。通过将合成数据与文本增强相结合，将基本模型的识别错误率降低了 8.73％，最终 ASR 模型的识别错误率为 22.75％。

    Jul, 2022

  • 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

  • KenSwQuAD-- 用于斯瓦希里低资源语言的问答数据集

    本研究开发了 Kencorpus Swahili Question Answering Dataset（KenSwQuAD）, 这一包含 7,526 个 QA 组合的数据集（每一个包含至少 5 个 QA 组合的文本都被标注了 QA 组合），证明其对机器理解自然语言很有用。

    May, 2022

  • 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

  • 启用低资源语言的 ASR：一个全面的数据集创建方法

    本研究介绍了一种用于从有声读物生成 ASR 训练数据集的新型流程，以应对资源稀缺语言中自动语音识别系统性能较差的问题。该方法通过有效地对齐音频和相应的文本，并将其分割成适合 ASR 训练的长度，简化了资源稀缺语言中 ASR 系统的数据准备工作，并通过对亚美尼亚语的案例研究证明了其应用价值。这种方法可以适用于许多资源稀缺语言，不仅解决了数据匮乏问题，还提高了低资源语言的 ASR 模型性能。

    Jun, 2024