論文の概要: FT Speech: Danish Parliament Speech Corpus

• arxiv url: http://arxiv.org/abs/2005.12368v2
• Date: Wed, 28 Oct 2020 13:36:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 05:27:58.072117
• Title: FT Speech: Danish Parliament Speech Corpus
• Title（参考訳）: FTのスピーチ:デンマーク議会のスピーチコーパス
• Authors: Andreas Kirkedal, Marija Stepanovi\'c, Barbara Plank
• Abstract要約: 本稿では,デンマーク議会の会議記録から作成した音声コーパスであるFT Speechを紹介する。 コーパスには、合計434人の話者による1,800時間以上の音声の書き起こしが含まれている。 これは、デンマークの既存の公用語コーパスよりも、持続時間、語彙、自然発話の量において著しく大きい。
• 参考スコア（独自算出の注目度）: 21.190182627955817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces FT Speech, a new speech corpus created from the recorded meetings of the Danish Parliament, otherwise known as the Folketing (FT). The corpus contains over 1,800 hours of transcribed speech by a total of 434 speakers. It is significantly larger in duration, vocabulary, and amount of spontaneous speech than the existing public speech corpora for Danish, which are largely limited to read-aloud and dictation data. We outline design considerations, including the preprocessing methods and the alignment procedure. To evaluate the quality of the corpus, we train automatic speech recognition systems on the new resource and compare them to the systems trained on the Danish part of Spr\r{a}kbanken, the largest public ASR corpus for Danish to date. Our baseline results show that we achieve a 14.01 WER on the new corpus. A combination of FT Speech with in-domain language data provides comparable results to models trained specifically on Spr\r{a}kbanken, showing that FT Speech transfers well to this data set. Interestingly, our results demonstrate that the opposite is not the case. This shows that FT Speech provides a valuable resource for promoting research on Danish ASR with more spontaneous speech.
• Abstract（参考訳）: 本稿では,デンマーク議会の会議記録から作成した音声コーパスであるFT Speechを紹介する。 コーパスには、合計434人の話者による1,800時間以上の音声書き起こしが含まれている。 デンマーク語で使われている公用語コーパスよりも、継続時間、語彙、自発的な発話量がかなり大きい。 事前処理方法やアライメント手順など,設計上の課題について概説する。 コーパスの品質を評価するため,我々は新たな資源を用いた音声認識システムを訓練し,これまでにデンマークで最大の公的なASRコーパスであるSpr\r{a}kbankenのデンマーク部分で訓練されたシステムと比較した。 その結果,新しいコーパスで14.01 WERを達成することができた。 ftスピーチとドメイン内言語データの組み合わせは、spr\r{a}kbankenで特別にトレーニングされたモデルと同等の結果を提供する。 興味深いことに、我々の結果は逆ではないことを示している。 このことは、FT音声がデンマーク語ASRの研究をより自発的に促進するための貴重な資源であることを示している。

関連論文リスト

• The Faetar Benchmark: Speech Recognition in a Very Under-Resourced Language [4.077418516695122]
  Faetarには標準的な正書法がなく、ベンチマークに含まれるもの以外のテキストや音声のリソースはほとんどない。 コーパスはフィールド録音に由来するが、ほとんどはノイズがあり、5時間しか一致した書き起こしがない。 我々は,現在最先端の多言語音声基礎モデルによる電話誤り率30.4%のベースライン結果について報告する。
  論文  参考訳（メタデータ） (2024-09-12T14:55:33Z)
• FLEURS-R: A Restored Multilingual Speech Corpus for Generation Tasks [27.894172151026044]
  FLEURS-Rは、音声コーパスの普遍表現に関するFew-shot Learning Evaluationの音声復元応用版である。 FLEURS-Rの目的は、より多くの言語で音声技術を進歩させ、テキスト音声を含む研究を触媒することである。
  論文  参考訳（メタデータ） (2024-08-12T15:28:51Z)
• TransVIP: Speech to Speech Translation System with Voice and Isochrony Preservation [97.54885207518946]
  カスケード方式で多様なデータセットを活用する新しいモデルフレームワークTransVIPを提案する。 本稿では、話者の音声特性と、翻訳過程における音源音声からの等時性を維持するために、2つの分離エンコーダを提案する。 フランス語と英語のペアに関する実験により、我々のモデルは、現在最先端の音声音声翻訳モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-28T04:11:37Z)
• Exploring Speech Recognition, Translation, and Understanding with Discrete Speech Units: A Comparative Study [68.88536866933038]
  音声信号は、通常、毎秒数万のレートでサンプリングされ、冗長性を含んでいる。 近年の研究では、自己教師型学習表現から派生した離散音声単位の使用が提案されている。 復号化やサブワードモデリングなどの様々な手法を適用することで、さらに音声列の長さを圧縮することができる。
  論文  参考訳（メタデータ） (2023-09-27T17:21:13Z)
• SeamlessM4T: Massively Multilingual & Multimodal Machine Translation [90.71078166159295]
  音声から音声への翻訳,音声からテキストへの翻訳,テキストからテキストへの翻訳,最大100言語の自動音声認識をサポートする単一モデルSeamlessM4Tを紹介する。 我々は、音声とテキストの両方に英語を翻訳できる最初の多言語システムを開発した。 FLEURSでは、SeamlessM4Tが複数のターゲット言語への翻訳の新しい標準を設定し、音声からテキストへの直接翻訳において、以前のSOTAよりも20%BLEUの改善を実現している。
  論文  参考訳（メタデータ） (2023-08-22T17:44:18Z)
• ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text Translation [79.66359274050885]
  公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。 提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:42:15Z)
• BASPRO: a balanced script producer for speech corpus collection based on the genetic algorithm [29.701197643765674]
  音声処理モデルの性能は、訓練と評価に使用される音声コーパスの影響を強く受けている。 本研究では,中国語文の音素バランスとリッチなセットを自動的に構築できるBAlanced Script Producer (BASPRO)システムを提案する。
  論文  参考訳（メタデータ） (2022-12-11T02:05:30Z)
• SpeechMatrix: A Large-Scale Mined Corpus of Multilingual Speech-to-Speech Translations [38.058120432870126]
  SpeechMatrixは、音声から音声への翻訳の大規模多言語コーパスである。 136言語対の音声アライメントと、合計418万時間の音声を含む。
  論文  参考訳（メタデータ） (2022-11-08T19:09:27Z)
• Joint Pre-Training with Speech and Bilingual Text for Direct Speech to Speech Translation [94.80029087828888]
  直接音声音声翻訳 (S2ST) は, カスケードされたS2STと比較して, 優れた研究課題である。 直接S2STは、ソース言語の音声からターゲット言語の音声へのコーパスが非常に稀であるため、データ不足の問題に悩まされる。 本稿では,音声から音声への直接翻訳タスクのための音声とバイリンガルのテキストデータとを事前学習したSpeech2Sモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-31T02:55:51Z)
• Enhanced Direct Speech-to-Speech Translation Using Self-supervised Pre-training and Data Augmentation [76.13334392868208]
  直接音声音声変換(S2ST)モデルは、データ不足の問題に悩まされる。 本研究では,この課題に対処するために,ラベルのない音声データとデータ拡張を用いた自己教師付き事前学習について検討する。
  論文  参考訳（メタデータ） (2022-04-06T17:59:22Z)
• The Norwegian Parliamentary Speech Corpus [0.5874142059884521]
  ノルウェー議会演説コーパス(Norwear Parliamentary Speech Corpus、NPSC)は、ノルウェー議会の会議の記録を収録した音声データセットである。 これは、自動音声認識(ASR)システムのトレーニング用に設計された、未記述のノルウェー語音声を含む、初めて公開されたデータセットである。 NPSCの訓練は、基準系から高いWERを持つ方言では一般的に改善が大きくなるため、方言の観点からは「民主化」効果がある。
  論文  参考訳（メタデータ） (2022-01-26T11:41:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。