論文の概要: TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild

• arxiv url: http://arxiv.org/abs/2603.21478v1
• Date: Mon, 23 Mar 2026 01:44:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.437117
• Title: TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild
• Title（参考訳）: TaigiSpeech:低リソースのリアルタイム音声インテントデータセットとスケーラブルデータマイニングによる予備的結果
• Authors: Kai-Wei Chang, Yi-Cheng Lin, Huang-Cheng Chou, Wenze Ren, Yu-Han Huang, Yun-Shao Tsai, Chien-Cheng Chen, Yu Tsao, Yuan-Fu Liao, Shrikanth Narayanan, James Glass, Hung-yi Lee,
• Abstract要約: 音声技術は急速に進歩し、世界中の多様な人口に役立っている。 多くの言語は限られた資源のために表現されていない。 台湾の台義における実世界の発話意図データセットであるtextbfTaigiSpeechを紹介した。
• 参考スコア（独自算出の注目度）: 102.11425887660327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech technologies have advanced rapidly and serve diverse populations worldwide. However, many languages remain underrepresented due to limited resources. In this paper, we introduce \textbf{TaigiSpeech}, a real-world speech intent dataset in Taiwanese Taigi (aka Taiwanese Hokkien/Southern Min), which is a low-resource and primarily spoken language. The dataset is collected from older adults, comprising 21 speakers with a total of 3k utterances. It is designed for practical intent detection scenarios, including healthcare and home assistant applications. To address the scarcity of labeled data, we explore two data mining strategies with two levels of supervision: keyword match data mining with LLM pseudo labeling via an intermediate language and an audio-visual framework that leverages multimodal cues with minimal textual supervision. This design enables scalable dataset construction for low-resource and unwritten spoken languages. TaigiSpeech will be released under the CC BY 4.0 license to facilitate broad adoption and research on low-resource and unwritten languages. The project website and the dataset can be found on https://kwchang.org/taigispeech.
• Abstract（参考訳）: 音声技術は急速に進歩し、世界中の多様な人口に役立っている。 しかし、限られた資源のために多くの言語が不足している。 本稿では,台湾語大義(台湾語法キエン/南ミン)における実世界の発話意図データセットである「textbf{TaigiSpeech}」について紹介する。 データセットは、21人の話者からなる高齢者から収集され、合計で3kの発話がある。 ヘルスケアやホームアシスタントアプリケーションを含む、実用的な意図検出シナリオのために設計されている。 ラベル付きデータの不足に対処するために,キーワードマッチングデータマイニングと中間言語によるLLM擬似ラベリングと,テキストの監督を最小限に抑えたマルチモーダルキューを活用した音声視覚フレームワークの2つのレベルでデータマイニング戦略を検討する。 この設計により、低リソースおよび無書きの音声言語のためのスケーラブルなデータセット構築が可能となる。 TaigiSpeech は CC BY 4.0 ライセンスでリリースされ、低リソースおよび未記述言語への広く採用と研究を容易にする。 プロジェクトのWebサイトとデータセットはhttps://kwchang.org/taigispeech.comで見ることができる。

関連論文リスト

• WAXAL: A Large-Scale Multilingual African Language Speech Corpus [12.433885475371035]
  WAXALは1億人以上の話者を表す21言語のための大規模でオープンにアクセスできる音声データセットである。 このコレクションは、約1,250時間の書き起こしを含む自動音声認識(ASR)データセットと、さまざまな話者からの自然な音声を含むテキスト音声合成(TTS)データセットの2つの主要コンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-02-02T19:49:19Z)
• A multilingual training strategy for low resource Text to Speech [5.109810774427171]
  ソーシャルメディアからのデータを、小さなTSデータセット構築に利用することができるか、また、言語間移動学習がこの種のデータに有効かどうかを検討する。 そこで本稿では,対象とする低リソース言語に対するTSモデルをトレーニングするために,外国語からのデータをどのように選択し,プールするかを検討する。 以上の結果から,多言語事前学習は単言語事前学習よりも,生成した音声の明瞭さと自然性を高めることが示唆された。
  論文  参考訳（メタデータ） (2024-09-02T12:53:01Z)
• Learning to Speak from Text: Zero-Shot Multilingual Text-to-Speech with Unsupervised Text Pretraining [65.30528567491984]
  本稿では,対象言語に対するテキストのみのデータを用いたゼロショット多言語TS法を提案する。 テキストのみのデータを使用することで、低リソース言語向けのTSシステムの開発が可能になる。 評価の結果,文字誤り率が12%未満のゼロショットTSは,見当たらない言語では高い知能性を示した。
  論文  参考訳（メタデータ） (2023-01-30T00:53:50Z)
• 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)
• Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
  COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。 鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。 本手法は3つの主流データセットで検証する。
  論文  参考訳（メタデータ） (2020-09-21T10:10:45Z)
• CoVoST 2 and Massively Multilingual Speech-to-Text Translation [24.904548615918355]
  CoVoST 2は、21の言語から英語、および15の言語への翻訳をカバーする大規模な多言語音声翻訳コーパスである。 これは、トータルボリュームと言語カバレッジの観点から、現在利用可能な最大のオープンデータセットである。
  論文  参考訳（メタデータ） (2020-07-20T17:53:35Z)

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。