論文の概要: YODAS v3: Over 1 Million Hours of High-Bandwidth, Stereophonic, Multilingual Speech
- arxiv url: http://arxiv.org/abs/2609.29448v1
- Date: Thu, 24 Sep 2026 12:06:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.908164
- Title: YODAS v3: Over 1 Million Hours of High-Bandwidth, Stereophonic, Multilingual Speech
- Title（参考訳）: YODAS v3: 100万時間を超える高帯域・ステレオ・多言語音声
- Abstract要約: YODAS v3は、これまでで最大の、高忠実度ステレオオーディオを備えたオープンスピーチデータセットである。
YODAS v3の22言語は10K時間以上、73言語は5K時間以上である。
- 参考スコア（独自算出の注目度）: 61.524049762777686
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We present YODAS v3, a weakly-labeled speech corpus containing over 1.1 million hours of 48kHz multi-channel audio in 147 languages, released under a CC BY 3.0 license. YODAS v3 is not only the largest open speech dataset to date, but also the first truly large-scale speech corpus with high-fidelity stereo audio. We first provide the collection methodology for the corpus, where we introduce new techniques for gathering language-balanced speech data. The effectiveness of our approach is shown by the language distribution of the crawled data: 22 languages in YODAS v3 have over 10K hours and 73 languages have over 5K hours of data. We then conduct extensive analyses on the composition of the data, such as the distribution of languages, audio quality, and transcription quality. Finally, we train baseline speech recognition and neural codec models to show the effectiveness of the dataset. Download at https://huggingface.co/datasets/espnet/yodas3.
- Abstract（参考訳）: CC BY 3.0ライセンスのもと,147言語で48kHzのマルチチャンネルオーディオを1100万時間以上使用した弱いラベル付き音声コーパスYODAS v3を提案する。
YODAS v3は、これまでで最大のオープン音声データセットであるだけでなく、高忠実度ステレオオーディオを備えた最初の真の大規模音声コーパスでもある。
まず,コーパスの収集手法を提案し,言語バランスの取れた音声データを収集するための新しい手法を提案する。
YODAS v3の22言語は10K時間以上、73言語は5K時間以上である。
次に、言語分布、音声品質、転写品質などのデータ構成について広範な分析を行う。
最後に,データセットの有効性を示すために,ベースライン音声認識とニューラルコーデックモデルを訓練する。
https://huggingface.co/datasets/espnet/yodas3.comからダウンロードできる。
関連論文リスト
- EuroSpeech: A Multilingual Speech Corpus [35.79691721955664]
議会記録から音声データセットを構築するためのスケーラブルなパイプラインを提案する。
このパイプラインを22の欧州議会の録音に適用し、61万時間以上の一致した音声セグメントを抽出します。
データセット上で既存のASRモデルを微調整した場合,平均41.8%の単語誤り率をベースラインで削減する。
論文 参考訳（メタデータ） (2025-10-01T04:51:45Z) - Towards Robust Speech Representation Learning for Thousands of Languages [77.2890285555615]
自己教師付き学習(SSL)は、ラベル付きデータの必要性を減らすことで、音声技術をより多くの言語に拡張するのに役立つ。
我々は4057言語にまたがる100万時間以上のデータに基づいて訓練された、ユニバーサル音声のための言語横断言語であるXEUSを提案する。
論文 参考訳（メタデータ） (2024-06-30T21:40:26Z) - YODAS: Youtube-Oriented Dataset for Audio and Speech [47.60574092241447]
YODASは100以上の言語で500k時間以上の音声データからなる大規模多言語データセットである。
手動または自動の字幕を含むラベル付きサブセットは、教師付きモデルトレーニングを促進する。
YODASはその規模で最初に公開されたデータセットであり、Creative Commonsライセンスの下で配布されている。
論文 参考訳（メタデータ） (2024-06-02T23:43:27Z) - Textless Speech-to-Speech Translation With Limited Parallel Data [51.3588490789084]
PFBはテキストレスのS2STモデルをトレーニングするためのフレームワークで、数十時間の並列音声データしか必要としない。
3つのドメインで英語、ドイツ語、マラティー語、英語の翻訳をトレーニングし、評価する。
論文 参考訳（メタデータ） (2023-05-24T17:59:05Z) - Scaling Speech Technology to 1,000+ Languages [66.31120979098483]
MMS(Massively Multilingual Speech)プロジェクトは、タスクに応じてサポート言語を10～40倍増やす。
主な材料は、一般に公開されている宗教文書の読解に基づく新しいデータセットである。
我々は,1,406言語,1,107言語用1つの多言語自動音声認識モデル,同一言語用音声合成モデル,4,017言語用言語識別モデルについて,事前学習したwav2vec 2.0モデルを構築した。
論文 参考訳（メタデータ） (2023-05-22T22:09:41Z) - SpeechMatrix: A Large-Scale Mined Corpus of Multilingual
Speech-to-Speech Translations [38.058120432870126]
SpeechMatrixは、音声から音声への翻訳の大規模多言語コーパスである。
136言語対の音声アライメントと、合計418万時間の音声を含む。
論文 参考訳（メタデータ） (2022-11-08T19:09:27Z) - 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) - WenetSpeech: A 10000+ Hours Multi-domain Mandarin Corpus for Speech
Recognition [25.31180901037065]
WenetSpeechは、10000時間以上の高品質なラベル付き音声からなる多ドメインマンダリンコーパスである。
YouTubeとPodcastから収集したデータは、さまざまな話し方、シナリオ、ドメイン、トピック、騒々しい条件をカバーしています。
論文 参考訳（メタデータ） (2021-10-07T12:05:29Z)
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。