論文の概要: Neyshekar: An Open Persian Read-Speech Corpus for Automatic Speech Recognition
- arxiv url: http://arxiv.org/abs/2609.14542v1
- Date: Sun, 13 Sep 2026 14:30:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.847451
- Title: Neyshekar: An Open Persian Read-Speech Corpus for Automatic Speech Recognition
- Title（参考訳）: Neyshekar: 自動音声認識のためのペルシア語読み上げコーパス
- Abstract要約: ネイシェカール (Neyshekar) は、公式言語と非公式言語の両方をカバーするために設計されたペルシア語読み上げコーパスである。
バージョン6では、190人のコントリビュータから合計99.02時間、34,541人の異なるプロンプトが提供されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neyshekar is presented as an open Persian read-speech corpus designed for coverage of both formal and informal language, named entities, and longer utterances. In version 6, 62,279 validated recordings totalling 99.02 hours are provided from 190 contributors, with 34,541 distinct recorded prompts. The prompt pool was assembled from human-written material, contextualised homographs, and reviewed language-model-generated text. Text entries were normalised with the shekar library, which supports both formal and informal Persian, and every submitted recording was reviewed against a common validation rubric. About 24% of released clips are classified as informal by an automatic classifier; these register labels are not human-validated. Item-level rater labels are provided for reproducible agreement estimation, opaque per-clip contributor identifiers make the speaker-disjoint partitioning auditable and support contributor-clustered uncertainty estimates, and a text-disjoint test subset is included for evaluation beyond previously seen prompts. Per-contributor recording load and reference-free signal quality are characterised for every released clip. Corpus characteristics are compared with Persian Common Voice under shared processing. Utility is assessed through two ASR architectures, three optimisation seeds, WER and CER, and independent evaluation on the public PSRB sample. Against duration-matched Common Voice training at approximately 32 hours, in-domain WER is reduced by 9.5 points for Whisper and 11.6 points for XLS-R, and by approximately eight points for both architectures on the independent PSRB sample. Transfer and mixture benefits are not consistently observed across architectures and training budgets. The corpus is released under CC0; code and data are made available through the project repository at https://github.com/amirivojdan/neyshekar.
- Abstract（参考訳）: ネイシェカールは、正式な言語と非公式な言語、名前付きエンティティ、より長い発話をカバーするために設計されたペルシア語読み上げコーパスとして提示されている。
バージョン6では、190人のコントリビュータから合計99.02時間、34,541人の異なるプロンプトが提供されている。
プロンプトプールは、人書きの材料、文脈化されたホモグラフ、言語モデル生成テキストから組み立てられた。
テキストエントリは、公式と非公式のペルシア語の両方をサポートするシェカール図書館で正規化され、提出されたすべての録音は、共通の検証用ルーブリックに対してレビューされた。
リリースされたクリップの約24%は、自動分類器によって非公式に分類される。
再現可能な合意推定のためにアイテムレベルのレーダラベルが提供され、不透明なクリック毎のコントリビュータ識別子は、話者分離分割を監査可能とし、コントリビュータクラスタ化の不確実性推定をサポートし、これまで見られたプロンプト以上の評価のためにテキスト分離テストサブセットが組み込まれている。
リリースされたクリップ毎に、コントリビュータ毎の記録負荷と参照不要信号の品質が特徴付けられる。
コーパス特性は共有処理下でペルシャ共通音声と比較される。
2つのASRアーキテクチャ、3つの最適化シード、WERとCER、パブリックPSRBサンプルの独立した評価を通じて、実用性を評価する。
約32時間の共通音声トレーニングに対して、ドメイン内のWERはウィスパーでは9.5ポイント、XLS-Rでは11.6ポイント、独立PSRBサンプルでは2つのアーキテクチャで約8ポイント削減される。
移行と混合の利点は、アーキテクチャやトレーニング予算で一貫して観察されない。
コーパスはCC0でリリースされており、コードとデータはプロジェクトリポジトリからhttps://github.com/amirivojdan/neyshekar.comで入手できる。
関連論文リスト
- VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - Beyond Similarity: Grounded Agentic Extraction and Expert-Adjudicated Evaluation of Intertextuality in Classical Chinese Histories [3.694051864521789]
我々は、大言語モデルが2つのテキスト単位をフルに読み込むエージェントタスクとして、きめ細かいテクスチャ間抽出をリキャストする。
3つのドメインの専門家がプールされたマルチモデル候補を2,533対のテキスト間ペアのベンチマークに設定し、Analects と Book of Han を徹底的に比較する手法を検証する。
論文 参考訳（メタデータ） (2026-07-30T02:34:23Z) - AQAScore: Evaluating Semantic Alignment in Text-to-Audio Generation via Audio Question Answering [97.52852990265136]
音声対応大規模言語モデルの推論機能を活用するバックボーン非依存評価フレームワークであるAQAScoreを紹介する。
AQAScoreは人格関連性、ペア比較、構成推論タスクを含む複数のベンチマークで評価する。
論文 参考訳（メタデータ） (2026-01-21T07:35:36Z) - Kunnafonidilaw ka Cadeau: an ASR dataset of present-day Bambara [0.7999703756441755]
クンカド (Kunkado) は、マリの無線アーカイブから収集された160時間のBambara ASRデータセットである。
コードスイッチ、ノイズ、バックグラウンドノイズ、実際のASRシステムが現実世界で遭遇する重複スピーカーなどが含まれる。
論文 参考訳（メタデータ） (2025-12-22T13:52:33Z) - VocSim: A Training-free Benchmark for Zero-shot Content Identity in Single-source Audio [1.0791267046450075]
VocSimは、凍結埋め込みの固有の幾何学的アライメントを探索するトレーニング不要のベンチマークである。
VocSimは、人間のスピーチ、動物の発声、環境音にまたがる19のコーパスから125万のソースクリップを集約する。
論文 参考訳（メタデータ） (2025-12-10T22:13:12Z) - Exploring SSL Discrete Speech Features for Zipformer-based Contextual ASR [74.38242498079627]
自己教師付き学習(SSL)に基づく離散音声表現は、非常にコンパクトで、ドメイン適応性が高い。
本稿では、Zipformer-Transducer ASRシステムにおいて、WavLMモデルから抽出したSSL離散音声特徴を追加の発話音響コンテキスト特徴として用いた。
論文 参考訳（メタデータ） (2024-09-13T13:01:09Z) - BLASER: A Text-Free Speech-to-Speech Translation Evaluation Metric [66.73705349465207]
エンドツーエンドの音声音声翻訳(S2ST)は、一般的にテキストベースのメトリクスで評価される。
本稿では,ASRシステムへの依存を回避するために,BLASERと呼ばれるエンドツーエンドS2STのテキストフリー評価指標を提案する。
論文 参考訳（メタデータ） (2022-12-16T14:00:26Z) - Finnish Parliament ASR corpus - Analysis, benchmarks and statistics [11.94655679070282]
フィンランド議会では、3000時間以上の演説と449人の講演者が参加し、手書きの音声データをフィンランド語で収集した最大規模である。
このコーパスは初期の作業に基づいて構築され、結果としてコーパスは2つの期間から2つのトレーニングサブセットに自然に分割される。
我々は、カルディに基づく完全なデータ準備パイプラインと隠れマルコフモデル(HMM)、ハイブリッドディープニューラルネットワーク(HMM-DNN)、アテンションベースのエンコーダデコーダ(AED)ASRレシピを開発した。
論文 参考訳（メタデータ） (2022-03-28T16:29:49Z) - HuBERT: Self-Supervised Speech Representation Learning by Masked
Prediction of Hidden Units [81.53783563025084]
本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。
提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。
HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
論文 参考訳（メタデータ） (2021-06-14T14:14:28Z) - A Crowdsourced Open-Source Kazakh Speech Corpus and Initial Speech
Recognition Baseline [4.521450956414864]
カザフ語コーパス(KSC)は、様々な地域や年齢集団の参加者によって話される153,000以上の発声を含む約332時間の音声を含む。
KSCは、様々なカザフ語音声および言語処理アプリケーションを前進させるために開発された、最大の公開データベースである。
論文 参考訳（メタデータ） (2020-09-22T05:57:15Z) - Continuous speech separation: dataset and analysis [52.10378896407332]
自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。
本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
論文 参考訳（メタデータ） (2020-01-30T18:01:31Z)
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。