論文の概要: A large-scale corpus of religious radio broadcast transcripts from webstream recordings in the United States

• arxiv url: http://arxiv.org/abs/2607.26249v1
• Date: Tue, 28 Jul 2026 20:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.469302
• Title: A large-scale corpus of religious radio broadcast transcripts from webstream recordings in the United States
• Title（参考訳）: 米国におけるウェブストリーム記録からの宗教ラジオ放送の大規模コーパス
• Abstract要約: このデータディスクリプタは、2025年7月の1ヶ月にわたって、ライブのウェブストリームから撮影された英語の宗教放送のコーパスを公開している。 15分間のセグメントは、785の異なるストリームからのローリングスケジュールで記録され、合計で2千以上のAM局とFM局の信号が再放送された。 地域や伝統にまたがる宗教放送の記述的研究、宗教メディアにおける社会的・政治的問題がどのように議論されるかの分析、表現不足の領域における音声処理の研究を支援している。
• 参考スコア（独自算出の注目度）: 2.6630680698825637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Religious radio is a widespread but understudied form of mass communication in the United States, and content-level analysis of it has been constrained by the absence of large-scale transcript data. This Data Descriptor presents a corpus of transcribed English-language religious radio broadcasts captured from live webstreams over a one-month period in July 2025. Fifteen-minute segments were recorded on a rolling schedule from 785 distinct streams, which together rebroadcast the signals of more than two thousand AM and FM stations, yielding over 700,000 recordings and more than 60 million diarized lines of speech. Each recording was transcribed and speaker-diarized with an automated pipeline, and segmented and labeled by programming format and topic using a large language model. The corpus is organized as linked tables of stream metadata, recording metadata, and transcript lines. It supports descriptive study of religious broadcasting across regions and traditions, analysis of how social and political issues are discussed in religious media, and speech-processing research in an underrepresented domain.
• Abstract（参考訳）: 宗教無線はアメリカ合衆国において広く普及しているが未調査のマス通信形態であり、その内容レベルの分析は大規模な転写データの欠如によって制限されている。 このデータディスクリプタは、2025年7月の1ヶ月にわたって、ライブのウェブストリームから撮影された英語の宗教放送のコーパスを公開している。 15分間のセグメントは、785の異なるストリームからのローリングスケジュールで記録され、合計で2,000以上のAM局とFM局の信号をブロードキャストし、70万以上の録音と6000万のダイアリゼーションされた音声ラインが得られた。 各録音は、自動パイプラインで書き起こされ、話者ダイアリゼーションされ、大きな言語モデルを使用して、プログラミング形式とトピックによってセグメンテーションされ、ラベル付けされた。 コーパスは、ストリームメタデータ、メタデータの記録、および転写ラインの連結テーブルとして構成される。 地域や伝統にまたがる宗教放送の記述的研究、宗教メディアにおける社会的・政治的問題がどのように議論されるかの分析、表現不足の領域における音声処理の研究を支援している。

関連論文リスト

• Gender Gap Analysis in News and Talk Online Radio Broadcast [0.0]
  本研究は,全発話時間,1日ごとの空時間割当,放送トピック間の参加における性別による差異について検討した。 その結果,男性話者は総発話時間の77%を占めており,放送時間に男女差が一貫したことが明らかとなった。 女性の表現は「トークショーセグメンツ」で最低であり、女性は話す時間の10.8%しか占めていない。
  論文  参考訳（メタデータ） (2026-06-06T20:41:26Z)
• Long-Form Speech Generation with Spoken Language Models [64.29591880693468]
  テキストなしの音声言語モデルは、数十秒を超える可読な音声を生成するのに苦労する。 我々は、長音の音声から学習し、サンプルする最初の音声言語モデルであるSpeechSSMを導出する。 SpeechSSMは線形時間列モデリングの最近の進歩を活用し、コヒーレンスと効率性において現在のトランスフォーマー音声LMを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-12-24T18:56:46Z)
• Advancing Topic Segmentation of Broadcasted Speech with Multilingual Semantic Embeddings [2.615008111842321]
  セマンティック音声エンコーダを用いたトピックセグメンテーションのためのエンドツーエンドスキームを提案する。 そこで本研究では,1000時間の公開録音を特徴とするデータセットを用いて,音声ニューストピックセグメンテーションのための新しいベンチマークを提案する。 この結果から,従来のパイプライン方式では英語のP_k$スコアが0.2431であるのに対して,エンドツーエンドモデルは競争力のあるP_k$スコアが0.2564であることがわかった。
  論文  参考訳（メタデータ） (2024-09-10T05:24:36Z)
• Identifying Speakers in Dialogue Transcripts: A Text-based Approach Using Pretrained Language Models [83.7506131809624]
  本稿では,デジタルメディアアーカイブにおけるコンテンツアクセシビリティと検索可能性を高める重要な課題である,対話テキスト中の話者名を識別する手法を提案する。 本稿では,メディアサムコーパスから派生した大規模データセットについて述べる。 本稿では,話者名を正確に属性付けるために,対話中の文脈的手がかりを活用する,話者IDに適したトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-16T18:03:58Z)
• Newswire: A Large-Scale Structured Database of a Century of Historical News [3.562368079040469]
  歴史家は、ニュースワイヤーが国家のアイデンティティを創り、世界の理解を共有する上で重要な役割を果たしたと主張している。 数千の地方紙から数百テラバイトの原画像スキャンに、カスタマイズされたディープラーニングパイプラインを適用することで、そのようなアーカイブを再構築する。 結果として得られたデータセットには1878年から1977年の間に書かれた270万のアメリカ独自のパブリックドメインのニュースワイヤー記事が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T16:20:05Z)
• EARS: An Anechoic Fullband Speech Dataset Benchmarked for Speech Enhancement and Dereverberation [83.29199726650899]
  EARSデータセットは、さまざまなバックグラウンドから107人の話者で構成され、100時間のクリーンで無響な音声データである。 データセットには、感情的なスピーチ、異なる読み方、非言語音、会話の自由なスピーチなど、幅広い種類の話し方が含まれている。 提案手法は,データセット上での音声強調とデバーベレーションのための様々な手法をベンチマークし,その性能を測定値を用いて評価する。
  論文  参考訳（メタデータ） (2024-06-10T11:28:29Z)
• Speech Wikimedia: A 77 Language Multilingual Speech Dataset [2.0288829047328614]
  Speech Wikimediaデータセットには、77の異なる言語で、CC-BY-SAライセンスの1780時間 (195 GB) のさまざまなシナリオと話者から書き起こされた音声が含まれている。 各オーディオファイルは異なる言語で1つ以上の書き起こしがあり、このデータセットは音声認識、音声翻訳、機械翻訳モデルの訓練に適している。
  論文  参考訳（メタデータ） (2023-08-30T02:14:49Z)
• Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New Dataset [85.52036362232688]
  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。
  論文  参考訳（メタデータ） (2022-01-07T12:09:15Z)
• QASR: QCRI Aljazeera Speech Resource -- A Large Scale Annotated Arabic Speech Corpus [11.113497373432411]
  本稿では,放送領域から収集したアラビア語音声コーパス,QASRについて紹介する。 この多言語音声データセットは、アルジャジーラのニュースチャンネルからクロールされた16kHzでサンプリングされた2000時間の音声を含む。
  論文  参考訳（メタデータ） (2021-06-24T13:20:40Z)
• GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of Transcribed Audio [88.20960848885575]
  GigaSpeechは英語の多分野音声認識コーパスで、教師あり訓練に適した高品質なラベル付きオーディオが1万時間ある。 約4万時間の音声が、まずオーディオブック、ポッドキャスト、YouTubeから収集され、読み書きと自発的な話し方の両方をカバーする。 システムトレーニングのために、GigaSpeechは10h, 250h, 1000h, 2500h, 10000hの5つのサブセットを提供する。
  論文  参考訳（メタデータ） (2021-06-13T04:09:16Z)
• A Corpus for Large-Scale Phonetic Typology [112.19288631037055]
  本稿では,VoxClamantis v1.0について紹介する。 635言語にまたがる690の音素レベルラベルと690の音素レベルラベルと母音とシビラントの音響・音韻測定を行った。
  論文  参考訳（メタデータ） (2020-05-28T13:03:51Z)

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。