論文の概要: Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New Dataset

• arxiv url: http://arxiv.org/abs/2201.02419v1
• Date: Fri, 7 Jan 2022 12:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 17:59:30.769522
• Title: Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New Dataset
• Title（参考訳）: カントン語における自動音声認識データセット:調査と新しいデータセット
• Authors: Tiezheng Yu, Rita Frieske, Peng Xu, Samuel Cahyawijaya, Cheuk Tung Shadow Yiu, Holy Lovenia, Wenliang Dai, Elham J. Barezi, Qifeng Chen, Xiaojuan Ma, Bertram E. Shi, Pascale Fung
• Abstract要約: 私たちのデータセットは、香港のCandoneseオーディオブックから収集された、73.6時間のクリーンな読み上げ音声と書き起こしとの組み合わせで構成されています。 哲学、政治、教育、文化、ライフスタイル、家族の領域を組み合わせて、幅広いトピックをカバーしている。 MDCC と Common Voice zh-HK にマルチデータセット学習を適用することで,強力で堅牢な Cantonese ASR モデルを作成する。
• 参考スコア（独自算出の注目度）: 85.52036362232688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic speech recognition (ASR) on low resource languages improves access of linguistic minorities to technological advantages provided by Artificial Intelligence (AI). In this paper, we address a problem of data scarcity of Hong Kong Cantonese language by creating a new Cantonese dataset. Our dataset, Multi-Domain Cantonese Corpus (MDCC), consists of 73.6 hours of clean read speech paired with transcripts, collected from Cantonese audiobooks from Hong Kong. It combines philosophy, politics, education, culture, lifestyle and family domains, covering a wide range of topics. We also review all existing Cantonese datasets and perform experiments on the two biggest datasets (MDCC and Common Voice zh-HK). We analyze the existing datasets according to their speech type, data source, total size and availability. The results of experiments conducted with Fairseq S2T Transformer, a state-of-the-art ASR model, show the effectiveness of our dataset. In addition, we create a powerful and robust Cantonese ASR model by applying multi-dataset learning on MDCC and Common Voice zh-HK.
• Abstract（参考訳）: 低資源言語上での自動音声認識(ASR)は、人工知能(AI)が提供する技術的利点により、言語マイノリティへのアクセスを改善する。 本稿では,新しいカントン語データセットを作成することで,香港カントン語のデータ不足の問題に対処する。 我々のデータセットであるMulti-Domain Cantonese Corpus (MDCC)は、香港のカントン語オーディオブックから収集された、73.6時間のクリーンな読み上げ音声と書き起こしを組み合わせて作成する。 哲学、政治、教育、文化、ライフスタイル、家族ドメインを組み合わせることで、幅広いトピックをカバーしている。 また、既存のカントンデータセットをレビューし、2つの大きなデータセット(MDCCとCommon Voice zh-HK)で実験を行う。 既存のデータセットを音声タイプ、データソース、総サイズ、可用性に応じて分析する。 最先端asrモデルであるfairseq s2t transformerを用いた実験の結果,データセットの有効性が示された。 さらに,MDCC と Common Voice zh-HK にマルチデータセット学習を適用することで,強力で堅牢な Cantonese ASR モデルを作成する。

関連論文リスト

• The ParlaSpeech Collection of Automatically Generated Speech and Text Datasets from Parliamentary Proceedings [0.0]
  我々は,低リソース言語による大規模かつオープンな音声・テキスト対応データセットを構築するためのアプローチを提案する。 我々は3つのスラヴ語、すなわちクロアチア語、ポーランド語、セルビア語に焦点を当てている。 このパイロット実行の結果は、5000時間以上のスピーチと付随するテキストの書き起こしにまたがる、高品質な3つのデータセットである。
  論文  参考訳（メタデータ） (2024-09-23T10:12:18Z)
• Speech-to-Speech Translation For A Real-world Unwritten Language [62.414304258701804]
  本研究では、ある言語から別の言語に音声を翻訳する音声音声翻訳(S2ST)について研究する。 我々は、トレーニングデータ収集、モデル選択、ベンチマークデータセットのリリースからエンドツーエンドのソリューションを提示します。
  論文  参考訳（メタデータ） (2022-11-11T20:21:38Z)
• ASR2K: Speech Recognition for Around 2000 Languages without Audio [100.41158814934802]
  対象言語に音声を必要としない音声認識パイプラインを提案する。 私たちのパイプラインは、音響、発音、言語モデルという3つのコンポーネントで構成されています。 我々は、1909年の言語をCrubadanと組み合わせて、大きな絶滅危惧言語n-gramデータベースを構築した。
  論文  参考訳（メタデータ） (2022-09-06T22:48:29Z)
• Building African Voices [125.92214914982753]
  本稿では,低リソースのアフリカ言語を対象とした音声合成について述べる。 我々は,最小限の技術資源で音声合成システムを構築するための汎用的な指示セットを作成する。 研究者や開発者を支援するために、12のアフリカ言語のための音声データ、コード、訓練された音声をリリースします。
  論文  参考訳（メタデータ） (2022-07-01T23:28:16Z)
• Bengali Common Voice Speech Dataset for Automatic Speech Recognition [0.9218853132156671]
  ベンガル語は世界で3億人以上の話者を抱える世界有数の言語の一つである。 その人気にもかかわらず、ベンガル音声認識システムの開発に関する研究は、多様なオープンソースデータセットが不足しているために妨げられている。 このデータセットから得られた知見を提示し、今後のバージョンで対処すべき重要な言語的課題について議論する。
  論文  参考訳（メタデータ） (2022-06-28T14:52:08Z)
• Exploring Capabilities of Monolingual Audio Transformers using Large Datasets in Automatic Speech Recognition of Czech [0.9653976364051563]
  チェコ語単言語音声トランスフォーマーを8万時間以上のラベルなし音声を含む大規模データセットから事前学習する過程について述べる。 2つの公開データセットで評価された様々な微調整設定による実験の大規模なパレットを提示する。
  論文  参考訳（メタデータ） (2022-06-15T16:14:37Z)
• Discovering Phonetic Inventories with Crosslingual Automatic Speech Recognition [71.49308685090324]
  本稿では,未知言語における音声認識における異なる要因(モデルアーキテクチャ,音韻モデル,音声表現の種類)の影響について検討する。 独特な音、類似した音、トーン言語は、音声による在庫発見の大きな課題である。
  論文  参考訳（メタデータ） (2022-01-26T22:12:55Z)
• CI-AVSR: A Cantonese Audio-Visual Speech Dataset for In-car Command Recognition [91.33781557979819]
  新しいデータセットであるCantonese In-car Audio-Visual Speech Recognition (CI-AVSR)を導入する。 カントン語話者30人が記録した200の車載コマンドの4,984サンプル(8.3時間)で構成されている。 当社のデータセットのクリーンバージョンと拡張バージョンの両方について、詳細な統計情報を提供しています。
  論文  参考訳（メタデータ） (2022-01-11T06:32:12Z)

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。