論文の概要: Bulbul: A Dataset for Dialectal Arabic Speech Recognition

• arxiv url: http://arxiv.org/abs/2608.21950v1
• Date: Sat, 22 Aug 2026 13:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.542709
• Title: Bulbul: A Dataset for Dialectal Arabic Speech Recognition
• Title（参考訳）: Bulbul: 方言アラビア音声認識のためのデータセット
• Abstract要約: アラブ11カ国275人の話者から収集した多言語アラビア語のASRデータセットであるBULBULについて述べる。 BULBULは、構造化された方言と副方言のカバー、および、彼らの母語方言アクセントの参加者によって話される古典アラビア語と現代アラビア語の録音を含んでいる。
• 参考スコア（独自算出の注目度）: 23.17840151160424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Arabic automatic speech recognition (ASR) faces unique challenges due to diglossia, extensive regional dialect variation, and limited speech resources. Existing speech datasets often focus on single dialects or large-scale broadcast/web data, leading to trade-offs between linguistic diversity and annotation quality. We present BULBUL, a multi-dialect Arabic ASR dataset collected from 275 speakers in 11 Arab countries. BULBUL includes structured dialect and sub-dialect coverage, as well as recordings of classical Arabic and modern standard Arabic spoken by participants in their native dialectal accents to support accent-aware modeling. The quality of the recordings was ensured through a two-level human verification process. We further benchmark a range of recent ASR systems, establishing strong baselines for modern dialectal and accented Arabic ASR.
• Abstract（参考訳）: アラビア語の自動音声認識(ASR)は、食欲不振、広範囲な方言の変化、限られた音声資源による独特の課題に直面している。 既存の音声データセットは単一の方言や大規模な放送/ウェブデータに重点を置いており、言語的多様性とアノテーションの品質のトレードオフをもたらす。 アラブ11カ国275人の話者から収集した多言語アラビア語のASRデータセットであるBULBULについて述べる。 BULBULには、構造化された方言と副方言のカバレッジが含まれており、アクセント認識モデリングをサポートするために、母語方言のアクセントの参加者によって話される古典アラビア語と現代アラビア語の標準アラビア語の録音も含んでいる。 録音の質は2段階の人間による検証プロセスによって保証された。 我々はさらに、最近のASRシステムの範囲をベンチマークし、現代方言およびアクセント付きアラビア語ASRの強力なベースラインを確立する。

関連論文リスト

• EDRAC: Benchmarking Arabic Dialect Reading Comprehension [43.861708347921336]
  EDRACは、方言のアラビア機械読解(MRC)と生成的QAのための最初の大規模ベンチマークである。 EDRACは、自然発生の音声相互作用に由来する499の通路と、対応する4,977のQA対を含む。 その結果,意味的回答の品質と方言の忠実度の間には大きなギャップがあることがわかった。
  論文  参考訳（メタデータ） (2026-09-01T11:51:49Z)
• Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology [25.96097632833693]
  方言アラビア語(DA)音声データは、ドメインカバレッジ、方言ラベリングの実践、記録条件など多岐にわたる。 我々は,広く使用されているDAコーパスの訓練分割に対して,音質の客観的なプロキシとともに「言語弁証性」の計算分析を行う。 音響条件と、データセット間の方言信号の強度と一貫性の両方において、相当な不均一性を見出した。
  論文  参考訳（メタデータ） (2026-01-19T19:02:40Z)
• ARCADE: A City-Scale Corpus for Fine-Grained Arabic Dialect Tagging [4.23980289430769]
  我々は、都市レベルの方言の粒度を明示的に設計した最初のアラビア語音声データセットARCADEを提示する。 コーパスは、アラブ世界のストリーミングサービスから収集されたアラビアのラジオ音声で構成されている。 その結果得られたコーパスは、19か国58都市にまたがる6,907のアノテーションと3,790のユニークなオーディオセグメントで構成されている。
  論文  参考訳（メタデータ） (2026-01-05T15:32:17Z)
• DialectalArabicMMLU: Benchmarking Dialectal Capabilities in Arabic and Multilingual Language Models [54.10223256792762]
  アラビア方言における大規模言語モデル(LLM)の性能評価のための新しいベンチマークであるDialectalArabicMMLUを提案する。 MMLU-Redux フレームワークを手動で翻訳し、3K 個の質問応答対を5つの主要な方言に適応することで拡張する。
  論文  参考訳（メタデータ） (2025-10-31T15:17:06Z)
• Second Language (Arabic) Acquisition of LLMs via Progressive Vocabulary Expansion [70.23624194206171]
  本稿では,アラブ世界における大規模言語モデル(LLM)の民主化の必要性に対処する。 アラビア語のLLMの実用的な目的の1つは、復号を高速化するトークン化器にアラビア語固有の語彙を使用することである。 第二言語(アラビア語)による人への獲得の間に語彙学習に触発されたAraLLaMAは、進歩的な語彙拡張を採用している。
  論文  参考訳（メタデータ） (2024-12-16T19:29:06Z)
• Dialectal Coverage And Generalization in Arabic Speech Recognition [0.6757476692230007]
  既存のASRシステムは、多種多様な話し言葉にまたがる範囲と一般化において不足している。 アラビア語圏の様々な地域では、英語やフランス語とのコードスイッチも一般的である。 音声アラビアの複数の変種を効果的に認識するために最適化された一連のASRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-07T22:23:30Z)
• Exploiting Dialect Identification in Automatic Dialectal Text Normalization [9.320305816520422]
  我々は、方言アラビア語を標準オーソグラフィー(CODA)に標準化することを目指している。 我々はCODAフィケーションのタスクに基づいて,新たに開発されたシーケンス・ツー・シーケンスのモデルをベンチマークした。 方言識別情報を使用することで,すべての方言のパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:30:03Z)
• Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects [72.18753241750964]
  Yorub'aは、約4700万人の話者を持つアフリカの言語である。 アフリカ語のためのNLP技術開発への最近の取り組みは、彼らの標準方言に焦点を当てている。 我々は、このギャップを埋めるために、新しい高品質のパラレルテキストと音声コーパスを導入する。
  論文  参考訳（メタデータ） (2024-06-27T22:38:04Z)
• From Multiple-Choice to Extractive QA: A Case Study for English and Arabic [51.13706104333848]
  既存の多言語データセットを新しいNLPタスクに再利用する可能性について検討する。 本稿では,英語および現代標準アラビア語に対するアノテーションガイドラインと並列EQAデータセットを提案する。 我々は、残りの120のBELEBELE言語変種に対して、他の人が我々のアプローチを適用するのを助けることを目指しており、その多くがリソース不足と見なされている。
  論文  参考訳（メタデータ） (2024-04-26T11:46:05Z)
• ArabicMMLU: Assessing Massive Multitask Language Understanding in Arabic [51.922112625469836]
  アラビア語における最初のマルチタスク言語理解ベンチマークである、データセット名を提案する。 我々のデータは、現代標準アラビア語(MSA)における40のタスクと14,575のマルチチョイス質問で構成されており、地域の母語話者と協調して慎重に構築されている。 35モデルについて評価した結果,特にオープンソースモデルにおいて,改善の余地がかなり高いことが判明した。
  論文  参考訳（メタデータ） (2024-02-20T09:07:41Z)
• ALDi: Quantifying the Arabic Level of Dialectness of Text [17.37857915257019]
  我々は、アラビア語話者が方言のスペクトルを知覚し、文レベルでアラビア方言レベル(ALDi)として機能すると主張している。 AOC-ALDiの詳細な分析を行い、訓練したモデルが他のコーパスの方言のレベルを効果的に識別できることを示す。
  論文  参考訳（メタデータ） (2023-10-20T18:07:39Z)

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。