論文の概要: Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care

• arxiv url: http://arxiv.org/abs/2608.20346v1
• Date: Sun, 14 Jun 2026 10:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.273906
• Title: Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care
• Title（参考訳）: テレコムカスタマーケアのための合成ベンガル音声リソースの構築と評価
• Abstract要約: テレコムのカスタマーケアシナリオのための合成ベンガル音声データセットを提案する。 データセットには1万のオーディオテキストペア、約26.82時間24kHzの音声が含まれている。 CC-BY-4.0ライセンスでHugging Faceで公開されている。
• 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 systems used in customer-facing applications often require domain-specific language coverage. We present a synthetic Bengali speech dataset for telecom customer-care scenarios. The dataset contains 10,000 audio-text pairs, approximately 26.82 hours of 24 kHz speech, and predefined train, validation, and test splits of 9,000, 500, and 500 examples. It is publicly released on Hugging Face under the CC-BY-4.0 license. The speech was generated with OmniVoice in voice-cloning mode using a real female reference recording and transcript, with bfloat16 precision, 16 diffusion sampling steps, and a speaking-rate control value of 1.0. Along with the original Bengali text, the dataset provides a normalized transcript field designed for ASR/STT training and evaluation. We report an automatic intelligibility check over all 10,000 samples using a domain-adapted Whisper ASR model fine-tuned from bengaliAI/tugstugi_bengaliai-regional-asr_whisper-medium, along with a manual listening check on selected samples. The evaluation gives an average WER of 2.54%, an average CER of 0.59%, and median WER and CER values of 0.00%. These results suggest strong text-audio consistency under the selected automatic evaluation pipeline, while the paper also discusses the limitations of synthetic speech and STT-based evaluation.
• Abstract（参考訳）: 顧客向けアプリケーションで使用される音声システムはドメイン固有の言語カバレッジを必要とすることが多い。 テレコムのカスタマーケアシナリオのための合成ベンガル音声データセットを提案する。 データセットには1万組の音声テキストペア、約26.82時間24kHzのスピーチ、事前定義された列車、検証、テストスプリット、9000、500、500のサンプルが含まれている。 CC-BY-4.0ライセンスでHugging Faceで公開されている。 音声はOmniVoiceの音声閉鎖モードで生成され, 実際の女性基準記録と転写文を用いて, bfloat16精度, 16拡散サンプリングステップ, 発話速度制御値1.0。 オリジナルのBengaliテキストとともに、データセットは、ASR/STTトレーニングと評価のために設計された正規化された転写フィールドを提供する。 本報告では, bengaliAI/tugstugi_bengaliai-reaal-asr_whisper-mediumを微調整したWhisper ASRモデルを用いて, ドメイン適応型Whisper ASRモデルを用いて, 1,000サンプルすべてに対する自動的インテリジェンスチェックと, 選択したサンプルに対する手動聴取チェックを報告する。 この評価では平均 WER 2.54%、平均 CER 0.59%、中央 WER と CER の値は 0.00% である。 これらの結果は,選択した自動評価パイプライン下での強いテキスト音声の整合性を示すとともに,合成音声の限界やSTTに基づく評価についても論じている。

関連論文リスト

• Scaling phoneme-based TTS augmentation for ASR: A unified pipeline and controlled study [8.990924552624199]
  スクラッチからトレーニングした多言語TSモデルを中心に構築した,音素ベースTTS-to-ASR拡張パイプラインを提案する。 このパイプラインは、言語固有のGrapheme-to-phoneme変換、参照音声フィルタリング、候補テキストの選択、合成、マッチしたASR継続を組み合わせている。
  論文  参考訳（メタデータ） (2026-08-27T06:53:32Z)
• ShobdoSetu: A Data-Centric Framework for Bengali Long-Form Speech Recognition and Speaker Diarization [0.0]
  本稿では, DL Sprint 4.0 Bengali Long-Form Speech Recognition (Task1) と Bengali Speaker Diarization Challenge (Task2) について述べる。 Task1では、ベンガルのYouTubeオーディオブックとドラマから高品質なトレーニングコーパスを構築するデータ中心パイプラインを提案する。 我々は、公開リーダーボードで16.751、プライベートテストセットで15.551の単語誤り率(WER)を達成する。
  論文  参考訳（メタデータ） (2026-02-25T18:30:36Z)
• Improving Code-Switching Speech Recognition with TTS Data Augmentation [58.34842693152991]
  本稿では,この不足に対処する効果的なデータ拡張手法として,多言語テキスト音声(TTS)モデルについて検討する。 我々は、SEAMEデータセット上の多言語CosyVoice2 TTSモデルを微調整し、中国語と英語の合成音声を生成する。
  論文  参考訳（メタデータ） (2026-01-02T10:11:51Z)
• ParsVoice: A Large-Scale Multi-Speaker Persian Speech Corpus for Text-to-Speech Synthesis [3.763275651955603]
  既存のペルシア語のデータセットは、典型的には英語のデータセットよりも小さい。 ParsVoice はペルシャ語で最大の音声コーパスで、テキストから音声への応用に特化して設計された。
  論文  参考訳（メタデータ） (2025-10-12T19:33:11Z)
• SpoofCeleb: Speech Deepfake Detection and SASV In The Wild [76.71096751337888]
  SpoofCelebは、音声ディープフェイク検出(SDD)とスポフィングロバスト自動話者検証(SASV)のために設計されたデータセットである。 SpoofCelebは、1,251人のユニークな話者による250万以上の発話で構成され、自然界の状況下で収集されている。
  論文  参考訳（メタデータ） (2024-09-18T23:17:02Z)
• 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 collage: code-switched audio generation by collaging monolingual corpora [50.356820349870986]
  Speech Collage は音声セグメントをスプライシングすることでモノリンガルコーパスからCSデータを合成する手法である。 2つのシナリオにおける音声認識における生成データの影響について検討する。
  論文  参考訳（メタデータ） (2023-09-27T14:17:53Z)
• An Automatic Speech Recognition System for Bengali Language based on Wav2Vec2 and Transfer Learning [0.0]
  本稿では,移動学習フレームワークに基づくE2E構造に音声認識技術を適用し,ベンガル語の音声認識性能を向上させることを目的とする。 提案手法はベンガル語を効果的にモデル化し,7747サンプルの試験データセット上で,1000サンプルのみを用いた場合,Levenshtein Mean Distance'の3.819スコアを達成した。
  論文  参考訳（メタデータ） (2022-09-16T18:20:16Z)
• 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)

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。