論文の概要: BanglaKontho: Closing the Long-Form Gap in Bangla Text-to-Speech

• arxiv url: http://arxiv.org/abs/2609.29146v1
• Date: Thu, 24 Sep 2026 07:24:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.770102
• Title: BanglaKontho: Closing the Long-Form Gap in Bangla Text-to-Speech
• Title（参考訳）: BanglaKontho:Bangla Text-to-Speechで長めのギャップを閉じる
• Abstract要約: パブリックバングラ音声コーパスは、音声認識のために収集された短い読み上げ音声によって支配される。 専門的なオーディオブックの録音から20時間のTTSコーパスであるBanglaKonthoを提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bangla, the seventh most spoken language in the world, remains under-resourced for neural text-to-speech. Public Bangla speech corpora are dominated by short read-prompt utterances collected for speech recognition, leaving long-form prosody and consistent single-speaker narration uncovered. We present BanglaKontho, a single-speaker Bangla TTS corpus of 20 hours derived from professional audiobook recordings: 7,050 segmented utterances with verified transcripts at 24 kHz. We also release a reusable Bangla text normalizer covering Bangladeshi-style digit grouping, currency and date expressions, Danda punctuation and Unicode normalization, together with the full preprocessing pipeline. An MB-iSTFT-VITS baseline trained from scratch reaches 9.5% WER and 4.46 naturalness MOS, against 16.0% and 3.16 for the same architecture retrained on the 12-hour IndicTTS-Bn corpus. The corpus is released openly under CC BY-NC 4.0.
• Abstract（参考訳）: 世界で7番目に話されている言語であるBanglaは、ニューラルテキストから音声への変換のために未資源のままである。 パブリックバングラの音声コーパスは、音声認識のために収集された短い読み上げ音声に支配され、長文の韻律と一貫した単一話者ナレーションが発見される。 専門的なオーディオブック記録から得られた20時間の単一話者Bangla TTSコーパスであるBanglaKonthoについて紹介する。 また,バングラデシュスタイルのディジットグルーピング,通貨および日付表現,ダンダ句読点,Unicode正規化,および全前処理パイプラインをカバーする再利用可能なバングラ文字正規化器もリリースした。 MB-iSTFT-VITSベースラインは、12時間のIndicTTS-Bnコーパスで再訓練された同じアーキテクチャの16.0%と3.16に対して、9.5%のWERと4.46の自然性MOSに達した。 コーパスはCC BY-NC 4.0で公開されている。

関連論文リスト

• Pashto Common Voice: Building the First Open Speech Corpus for a 60-Million-Speaker Low-Resource Language [0.0]
  Pashto Common Voice corpus - Pashtoの最初の大規模かつオープンにライセンスされた音声リソース。 2022年から2025年にかけて行われたコミュニティの取り組みを通じて、コーパスは1.5時間と5人のコントリビュータから147時間、ユニークなスピーカーは1,483人まで成長した。 話者参加はCV17とCV18の間で約108倍に増加し、VOA Pashtoの放送キャンペーンと一致した。
  論文  参考訳（メタデータ） (2026-03-27T22:22:03Z)
• 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)
• BanglaTalk: Towards Real-Time Speech Assistance for Bengali Regional Dialects [0.0]
  バングラTalkはベンガル地方方言の最初のリアルタイム音声支援システムである。 BanglaTalkはクライアントサーバアーキテクチャに従い、低レイテンシ通信を保証するためにリアルタイムトランスポートプロトコル(RTP)を使用する。 24kbpsの低帯域で動作でき、平均的なエンドツーエンド遅延は4.9秒である。
  論文  参考訳（メタデータ） (2025-10-07T17:47:39Z)
• CS-FLEURS: A Massively Multilingual and Code-Switched Speech Dataset [99.0507412649934]
  CS-FLEURSは4つのテストセットから構成されており、52言語にまたがる113の独特な言語ペアをカバーしている。 CS-FLEURSはまた、16のX字対にわたる128時間の生成テキスト音声データのトレーニングセットも提供している。
  論文  参考訳（メタデータ） (2025-09-17T16:45:22Z)
• BnTTS: Few-Shot Speaker Adaptation in Low-Resource Setting [9.335211682615213]
  本稿では,Bangla話者適応型TSの最初のフレームワークであるBnTTSを紹介する。 我々は、Bangla音声データセットの3.85k時間におけるBnTTSの事前訓練を行い、ゼロショットと少数ショットの両方で性能を評価する。 その結果,BnTTSはBangla音声の自然性,知性,話者の忠実度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-09T00:15:47Z)
• CoSTA: Code-Switched Speech Translation using Aligned Speech-Text Interleaving [61.73180469072787]
  インド語から英語のテキストへのコード変更音声の音声翻訳(ST)の問題に焦点をあてる。 本稿では、事前訓練された自動音声認識(ASR)と機械翻訳(MT)モジュールを足場として、新しいエンドツーエンドモデルアーキテクチャCOSTAを提案する。 COSTAは、多くの競合するカスケードおよびエンドツーエンドのマルチモーダルベースラインを3.5BLEUポイントまで上回っている。
  論文  参考訳（メタデータ） (2024-06-16T16:10:51Z)
• SeamlessM4T: Massively Multilingual & Multimodal Machine Translation [90.71078166159295]
  音声から音声への翻訳,音声からテキストへの翻訳,テキストからテキストへの翻訳,最大100言語の自動音声認識をサポートする単一モデルSeamlessM4Tを紹介する。 我々は、音声とテキストの両方に英語を翻訳できる最初の多言語システムを開発した。 FLEURSでは、SeamlessM4Tが複数のターゲット言語への翻訳の新しい標準を設定し、音声からテキストへの直接翻訳において、以前のSOTAよりも20%BLEUの改善を実現している。
  論文  参考訳（メタデータ） (2023-08-22T17:44:18Z)
• ÌròyìnSpeech: A multi-purpose Yorùbá Speech Corpus [7.97238074132292]
  IroyinSpeechは、高品質で現代のヨルブの音声データの量を増やしたいという願望に影響された新しいコーパスである。 オープン・ライセンスCC-BY-4.0でニュース・クリエイティブ・ライティング・ドメインから約23,000のテキストをキュレートした。
  論文  参考訳（メタデータ） (2023-07-29T20:42:50Z)
• 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)

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。