論文の概要: IndicTalk: A Large-Scale Persona-Based Multilingual Conversational Corpus for Indic Languages

• arxiv url: http://arxiv.org/abs/2607.23242v1
• Date: Sat, 25 Jul 2026 14:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.037779
• Title: IndicTalk: A Large-Scale Persona-Based Multilingual Conversational Corpus for Indic Languages
• Title（参考訳）: IndicTalk: 大規模ペルソナに基づく多言語会話コーパス
• Abstract要約: IndicTalkは、多言語対応のIndicコード混在会話コーパスとしては最大級である。 9つのIndic言語をカバーする18の言語で13,28,604以上のイベント地上でのマルチターン会話で構成されている。 未表現のIndic言語のための多言語対話型AIの開発と評価を支援するため、IndicTalkをリリースする。
• 参考スコア（独自算出の注目度）: 0.6980863185266349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have transformed conversational AI, yet high-quality multilingual code-mixed dialogue resources remain scarce, particularly for Indic languages where speakers naturally alternate between English and their native language in both native-script and Romanized forms. We present IndicTalk, one of the largest multilingual Indic code-mixed conversational corpora, comprising over 13,28,604 event-grounded multi-turn conversations across 18 language varieties covering 9 Indic languages. The corpus is generated through a fully automated pipeline that combines real-world news grounding, persona-conditioned dialogue generation using multilingual LLMs, and automatic quality validation. Extensive linguistic, automatic, and human evaluations demonstrate that IndicTalk produces fluent, coherent, and naturally code-mixed conversations across both script variants. We will release IndicTalk to support the development and evaluation of multilingual conversational AI for underrepresented Indic languages. The dataset is available at: https://huggingface.co/datasets/LingoIITGN/IndicTalk .
• Abstract（参考訳）: 大規模言語モデル(LLM)は、会話型AIを変換しているが、高品質な多言語コード混在型対話リソースは依然として不足している。 IndicTalkは,9つのIndic言語をカバーする18種類の言語に対して,13,28,604件以上のイベントグラウンド付き多言語会話からなる,多言語多言語混在会話コーパスの1つである。 コーパスは、実世界のニュースグラウンド、多言語LLMを用いたペルソナ条件の対話生成、自動品質検証を組み合わせた完全自動パイプラインによって生成される。 言語的、自動的、人的評価が広まれば、IndicTalkは両方のスクリプトの亜種にまたがって、流動的で一貫性があり、自然なコード混合の会話を生み出すことが示される。 未表現のIndic言語のための多言語対話型AIの開発と評価を支援するため、IndicTalkをリリースする。 データセットは、https://huggingface.co/datasets/LingoIITGN/IndicTalkで利用可能である。

関連論文リスト

• Dial HEALTHDIAL for Advice: A Multilingual and Multi-Parallel Spoken Dialogue Dataset for Knowledge-Grounded Information Seeking [72.66384771245389]
  本研究では,RAGに基づく音声対話システムの開発と評価を目的とした大規模・多言語・マルチ並列データセットであるHEALTHDIALを紹介する。 このデータセットは、WHO(World Health Organization)の信頼できるコンテンツに基づく6000の情報検索対話(言語毎1500語)と、多様な方言の母語話者から記録された163時間のユーザスピーチで構成されている。
  論文  参考訳（メタデータ） (2026-05-28T15:47:09Z)
• Characterizing Language Use in a Collaborative Situated Game [47.38055058236005]
  人気のあるPortal 2仮想パズルゲームのコオプモードにおいて,11.5時間の音声対話コーパスを収集する。 我々はプレイヤー言語と行動を分析し、既存のほとんどのchitchatやタスク指向対話コーパスにはめったに現れない多くの言語現象を識別する。
  論文  参考訳（メタデータ） (2025-12-03T02:29:53Z)
• Parrot: Multilingual Visual Instruction Tuning [66.65963606552839]
  既存の手法では、視覚エンコーダを教師付き微調整(SFT)を介してMLLM(Multimodal Large Language Models)と整列させるのが一般的である。 言語レベルでの視覚的トークンアライメントにテキストガイダンスを活用する新しいアプローチであるPARROTを提案する。 我々は6言語、15カテゴリ、12,000の質問からなる新しいベンチマークであるMassive Multilingual Multimodal Benchmark (MMMB)を紹介する。
  論文  参考訳（メタデータ） (2024-06-04T17:56:28Z)
• Romanization-based Large-scale Adaptation of Multilingual Language Models [124.57923286144515]
  大規模多言語事前学習言語モデル (mPLMs) は,NLPにおける多言語間移動のデファクトステートとなっている。 我々は、mPLMをローマン化および非ロマン化した14の低リソース言語コーパスに適用するためのデータとパラメータ効率の戦略を多数検討し、比較した。 以上の結果から, UROMAN をベースとしたトランスリテラルは,多くの言語で高い性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-04-18T09:58:34Z)
• Code Switched and Code Mixed Speech Recognition for Indic languages [0.0]
  多言語自動音声認識(ASR)システムの訓練は、音響情報と語彙情報が典型的には言語固有のものであるため困難である。 言語識別(LID)に基づく一言語モデルとエンドツーエンドの多言語音声認識システムの性能を比較した。 また,Hindi- English と Bengali- English の相似解法を提案し,それぞれ 21.77 と 28.27 の WER を実現する。
  論文  参考訳（メタデータ） (2022-03-30T18:09:28Z)
• Discovering Representation Sprachbund For Multilingual Pre-Training [139.05668687865688]
  多言語事前学習モデルから言語表現を生成し、言語分析を行う。 すべての対象言語を複数のグループにクラスタリングし、表現のスプラックバンドとして各グループに名前を付ける。 言語間ベンチマークで実験を行い、強いベースラインと比較して大幅な改善が達成された。
  論文  参考訳（メタデータ） (2021-09-01T09:32:06Z)
• Code-switched inspired losses for generic spoken dialog representations [5.73995120847626]
  多言語音声対話表現の学習に適した事前学習損失を導入する。 これらの損失の目標は、モデルをコード変更言語に公開することだ。 実験の結果、新しいコードの変更による損失は、モノリンガルとマルチリンガルの両方でより良いパフォーマンスを実現することがわかった。
  論文  参考訳（メタデータ） (2021-08-27T19:15:00Z)
• Challenges and Considerations with Code-Mixed NLP for Multilingual Societies [1.6675267471157407]
  本稿では,NLP研究の現状,限界,予測可能な落とし穴について論じる。 また,社会福祉のための多言語NLPアプリケーションにおける現在の研究を著しく進めることができる未来的データセット,モデル,ツールも提案する。
  論文  参考訳（メタデータ） (2021-06-15T00:53:55Z)
• Multilingual and code-switching ASR challenges for low resource Indian languages [59.2906853285309]
  インドの7つの言語に関連する2つのサブタスクを通じて、多言語およびコードスイッチングASRシステムの構築に重点を置いている。 これらの言語では、列車とテストセットからなる600時間分の音声データを合計で提供します。 また,マルチリンガルサブタスクとコードスイッチサブタスクのテストセットでは,それぞれ30.73%と32.45%という,タスクのベースラインレシピも提供しています。
  論文  参考訳（メタデータ） (2021-04-01T03:37:01Z)
• Cross-lingual Multispeaker Text-to-Speech under Limited-Data Scenario [10.779568857641928]
  本稿では,多言語話者音声合成を実現するために,Tacotron2の拡張を提案する。 我々は、単言語話者のための英語とマンダリンの間で、コードスイッチングを含む言語間合成を実現する。
  論文  参考訳（メタデータ） (2020-05-21T03:03:34Z)
• XPersona: Evaluating Multilingual Personalized Chatbot [76.00426517401894]
  我々はペルソナ・チャットの多言語拡張(XPersona)を提案する。 我々のデータセットには、多言語パーソナライズされたエージェントの構築と評価のための英語以外の6言語でのペルソナ会話が含まれています。
  論文  参考訳（メタデータ） (2020-03-17T07:52:08Z)

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。