論文の概要: Abjad-Kids: An Arabic Speech Classification Dataset for Primary Education

• arxiv url: http://arxiv.org/abs/2603.20255v1
• Date: Wed, 11 Mar 2026 08:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.940121
• Title: Abjad-Kids: An Arabic Speech Classification Dataset for Primary Education
• Title（参考訳）: Abjad-Kids: 初等教育のためのアラビア語音声分類データセット
• Authors: Abdul Aziz Snoubara, Baraa Al_Maradni, Haya Al_Naal, Malek Al_Madrmani, Roaa Jdini, Seedra Zarzour, Khloud Al Jallad,
• Abstract要約: 本稿では,幼稚園・初等教育用に設計されたアラビア語音声データセットであるAbjad-Kidsについて述べる。 データセットは、3歳から12歳までの子供から収集された4397のオーディオサンプルからなり、141のクラスをカバーしている。 本稿では,CNN-LSTMアーキテクチャに基づく階層型音声分類を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech-based AI educational applications have gained significant interest in recent years, particularly for children. However, children speech research remains limited due to the lack of publicly available datasets, especially for low-resource languages such as Arabic.This paper presents Abjad-Kids, an Arabic speech dataset designed for kindergarten and primary education, focusing on fundamental learning of alphabets, numbers, and colors. The dataset consists of 46397 audio samples collected from children aged 3 - 12 years, covering 141 classes. All samples were recorded under controlled specifications to ensure consistency in duration, sampling rate, and format. To address high intra-class similarity among Arabic phonemes and the limited samples per class, we propose a hierarchical audio classification based on CNN-LSTM architectures. Our proposed methodology decomposes alphabet recognition into a two-stage process: an initial grouping classification model followed by specialized classifiers for each group. Both strategies: static linguistic-based grouping and dynamic clustering-based grouping, were evaluated. Experimental results demonstrate that static linguistic-based grouping achieves superior performance. Comparisons between traditional machine learning with deep learning approaches, highlight the effectiveness of CNN-LSTM models combined with data augmentation. Despite achieving promising results, most of our experiments indicate a challenge with overfitting, which is likely due to the limited number of samples, even after data augmentation and model regularization. Thus, future work may focus on collecting additional data to address this issue. Abjad-Kids will be publicly available. We hope that Abjad-Kids enrich children representation in speech dataset, and be a good resource for future research in Arabic speech classification for kids.
• Abstract（参考訳）: 音声ベースのAI教育アプリケーションは近年、特に子供にとって大きな関心を集めている。 しかし、アラビア語などの低リソース言語では、公的なデータセットが不足しているため、子どもの音声研究は限定的であり、幼稚園や初等教育用に設計されたアラビア語のデータセットであるAbjad-Kidsは、アルファベット、数字、色の基本学習に重点を置いている。 データセットは、3歳から12歳までの子供から収集された4397のオーディオサンプルからなり、141のクラスをカバーしている。 全てのサンプルは、持続時間、サンプリングレート、フォーマットの一貫性を確保するために、制御された仕様の下で記録された。 CNN-LSTMアーキテクチャに基づく階層型音声分類を提案する。 提案手法は,アルファベット認識を2段階のプロセスに分解する。 静的言語に基づくグループ化と動的クラスタリングに基づくグループ化という2つの戦略が評価された。 静的言語に基づくグループ化が優れた性能を発揮することを示す実験結果が得られた。 従来の機械学習とディープラーニングのアプローチの比較は、CNN-LSTMモデルとデータ拡張の併用の有効性を強調している。 有望な結果を得たにもかかわらず、我々の実験のほとんどは、データ拡張やモデル正規化の後にも、サンプルの数が限られているため、オーバーフィッティングの課題を示している。 したがって、今後の作業は、この問題に対処するための追加データ収集に集中するかもしれない。 Abjad-Kidsは一般公開される。 我々は、Abjad-Kidsが音声データセットにおける子どもの表現を豊かにし、将来のアラビア語音声分類研究のための良い情報源になることを願っている。

関連論文リスト

• Arabic Little STT: Arabic Children Speech Recognition Dataset [0.0]
  教室で記録されたレバンタ・アラビア・チャイルド・スピーチのデータセットであるアラビア・リトルSTTを提示する。 また,このデータセットを用いて,最先端自動音声認識(ASR)モデルであるWhisperを体系的に評価する。 評価の結果, 最良性能モデル(Large_v3)でさえ, 子どもの発話において0.66ワード誤り率(WER)を達成できないことが判明した。
  論文  参考訳（メタデータ） (2025-10-27T13:30:54Z)
• Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet [72.53502346791814]
  データセット、SSL表現(WavLM、XEUS)、デコーダアーキテクチャ間のフラットスタートトレーニングを比較した。 SSL表現は成人のスピーチに偏りがあり、子どものスピーチに対するフラットスタートトレーニングはこれらのバイアスを緩和する。 年齢関連ASRと話者検証分析は、プロプライエタリモデルの限界を強調している。
  論文  参考訳（メタデータ） (2025-08-22T17:59:35Z)
• An End-to-End Approach for Child Reading Assessment in the Xhosa Language [0.3579433677269426]
  本研究は, 南アフリカで話されている言語であるXhosaに着目し, 子どもの音声認識能力を向上させることを目的とした。 本稿では,Xhosaにおける児童音声サンプルからなる新しいデータセットを提案する。 その結果、これらのモデルの性能は、利用可能なトレーニングデータの量とバランスに大きく影響されることが示唆された。
  論文  参考訳（メタデータ） (2025-05-23T00:59:58Z)
• A systematic investigation of learnability from single child linguistic input [12.279543223376935]
  言語モデル(LM)は言語的に一貫性のあるテキストを生成するのに顕著な能力を示した。 しかし、これらのモデルのトレーニングデータと、子供が受ける言語的入力との間には、大きなギャップがある。 本研究は, 一人の子どもの言語入力のサブセットに基づいて, LMを訓練することに焦点を当てた。
  論文  参考訳（メタデータ） (2024-02-12T18:58:58Z)
• Natural Language Processing for Dialects of a Language: A Survey [56.93337350526933]
  最先端自然言語処理(NLP)モデルは、大規模なトレーニングコーパスでトレーニングされ、評価データセットで最上位のパフォーマンスを報告します。 この調査は、これらのデータセットの重要な属性である言語の方言を掘り下げる。 方言データセットにおけるNLPモデルの性能劣化と言語技術のエクイティへのその影響を動機として,我々はデータセットやアプローチの観点から,方言に対するNLPの過去の研究を調査した。
  論文  参考訳（メタデータ） (2024-01-11T03:04:38Z)
• Learning Cross-lingual Visual Speech Representations [108.68531445641769]
  言語横断的な自己監督型視覚表現学習は、ここ数年、研究トピックとして成長している。 我々は最近提案したRAVEn(Raw Audio-Visual Speechs)フレームワークを用いて,未ラベルデータを用いた音声-視覚モデルの事前学習を行う。 1)データ量が多いマルチ言語モデルはモノリンガルモデルよりも優れているが、データの量を維持すると、モノリンガルモデルの性能が向上する傾向にある。
  論文  参考訳（メタデータ） (2023-03-14T17:05:08Z)

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。