論文の概要: The Public Discourse Corpus (PDC): A Speaker-Attributed Dataset for Valence and Epistemic Modality with Target Speaker Participation

• arxiv url: http://arxiv.org/abs/2609.20232v1
• Date: Mon, 27 Jul 2026 14:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.641921
• Title: The Public Discourse Corpus (PDC): A Speaker-Attributed Dataset for Valence and Epistemic Modality with Target Speaker Participation
• Title（参考訳）: パブリック・ディスコース・コーパス(PDC) : ターゲット話者参加による有病・てんかんモダリティのための話者分散データセット
• Abstract要約: 7つの専門ドメインにまたがる100人の話者による998の動画は、文のセグメンテーションとフィルタリングの後に186,642の文(3100万語)を出力している。 データセットはhttps://huggingface.co/ictchenbo/public-discourse-corpusで公開されている。
• 参考スコア（独自算出の注目度）: 4.093009863847175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the \textbf{Public Discourse Corpus (PDC)}, the first dataset of public-figure interview speech jointly annotated for affective valence and epistemic modality. The corpus contains 998 videos from 100 speakers across seven professional domains, yielding 186,642 sentences (3.1 million words) after sentence segmentation and filtering. To ensure that all retained videos contain analyzable speech from the intended speaker, we introduce \textbf{Target Speaker Participation (TSP)}---a five-category annotation taxonomy with documented inter-annotator reliability ($κ= 0.616$)---as a key methodological contribution that any corpus construction project can adopt. Target-speaker turns are separated from interviewer and third-party speech through an \textbf{audio-first diarization pipeline} combining local Whisper ASR with pyannote speaker separation, released as an open-source implementation. We release the annotated corpus, the annotation tools, the cross-provider validation sample, and the complete processing pipeline. The dataset is available at https://huggingface.co/datasets/ictchenbo/public-discourse-corpus.
• Abstract（参考訳）: 本稿では,情緒的原子価とエピステミック・モダリティを併用した公衆インタビュー音声の最初のデータセットである「textbf{Public Discourse Corpus (PDC)」を紹介する。 コーパスには7つの専門ドメインにわたる100人の話者による998の動画が含まれており、文のセグメンテーションとフィルタリングの後に186,642の文が生成される。 コーパス構築プロジェクトの重要な方法論として,意図した話者からの分析可能な音声を含むことを保証するため,文書化されたアノテーション間信頼性(κ=0.616$)を持つ5カテゴリのアノテーション分類法である「textbf{Target Speaker Participation (TSP)」を紹介した。 ターゲット話者のターンは、ローカルWhisper ASRとPyannote話者分離を組み合わせた‘textbf{audio-first Diarization Pipeline’を通じて、インタビュアーとサードパーティの音声から分離され、オープンソース実装としてリリースされた。 アノテーション付きコーパス、アノテーションツール、クロスプロファイラ検証サンプル、そして完全な処理パイプラインをリリースします。 データセットはhttps://huggingface.co/datasets/ictchenbo/public-discourse-corpusで公開されている。

関連論文リスト

• Spontaneous Informal Speech Dataset for Punctuation Restoration [0.8517406772939293]
  SponSpeechは、非公式な音声ソースから派生した句読点復元データセットである。 フィルタリングパイプラインは,音声と文字起こしの双方の品質について検討する。 我々はまた、他の文法的に曖昧な句読点を予測するために、音声情報を活用するモデルの能力を評価することを目的とした、挑戦的なテストセットを慎重に構築する。
  論文  参考訳（メタデータ） (2024-09-17T14:43:14Z)
• 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)
• 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)
• One model to rule them all ? Towards End-to-End Joint Speaker Diarization and Speech Recognition [50.055765860343286]
  本稿では,共同話者ダイアリゼーションと音声認識のための新しい枠組みを提案する。 このフレームワークはSLIDARと呼ばれ、任意の長さの入力を処理でき、任意の数の話者を処理できる。 AMIコーパスからの単調録音実験により, 近接話者と遠距離話者の両方の発話シナリオにおける手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-10-02T23:03:30Z)
• SegAugment: Maximizing the Utility of Speech Translation Data with Segmentation-based Augmentations [2.535399238341164]
  エンドツーエンドの音声翻訳は、利用可能なデータリソースの不足によって妨げられます。 この問題に対処するために,新たなデータ拡張戦略であるSegAugmentを提案する。 また,提案手法は文レベルデータセットの強化にも有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-19T18:29:31Z)
• Lahjoita puhetta -- a large-scale corpus of spoken Finnish with some benchmarks [9.160401226886947]
  ドナート・スピーチ・キャンペーンはフィンランドの通常の口頭で約3600時間のスピーチを収集することに成功している。 収集の主な目的は、フィンランド語を自発的に研究するための代表的かつ大規模な資源を作成し、言語技術と音声ベースのサービスの開発を加速することであった。 収集プロセスと収集コーパスを示し,その汎用性を複数のユースケースで示す。
  論文  参考訳（メタデータ） (2022-03-24T07:50:25Z)
• NeMo Toolbox for Speech Dataset Construction [11.494290433050624]
  音声データセット構築パイプラインの各ステップに、データ前処理、音声テキストアライメント、データ後処理、フィルタリングを含むツールを開発する。 LibriVoxオーディオブックからロシアのLibriSpeechコーパス(RuLS)を構築し、ツールボックスの効率を実証しました。
  論文  参考訳（メタデータ） (2021-04-11T01:57:55Z)
• Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
  COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。 鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。 本手法は3つの主流データセットで検証する。
  論文  参考訳（メタデータ） (2020-09-21T10:10:45Z)
• Abstractive Summarization of Spoken and Written Instructions with BERT [66.14755043607776]
  本稿では,BERTSumモデルの最初の対話型言語への応用について述べる。 我々は多種多様な話題にまたがるナレーションビデオの抽象要約を生成する。 我々は、これをインテリジェントな仮想アシスタントの機能として統合し、要求に応じて文字と音声の両方の指導内容の要約を可能にすることを想定する。
  論文  参考訳（メタデータ） (2020-08-21T20:59:34Z)
• 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。