論文の概要: CARDAMOM: A Micro-Dialectal Arabic Speech Dataset for ASR

• arxiv url: http://arxiv.org/abs/2609.34481v1
• Date: Mon, 28 Sep 2026 07:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:12:23.511941
• Title: CARDAMOM: A Micro-Dialectal Arabic Speech Dataset for ASR
• Title（参考訳）: CARDAMOM: ASR用マイクロディレクタアラビア音声データセット
• Abstract要約: Cardamomは、自動音声認識システムの評価と適応を支援するために設計された、マイクロダイレクタルなアラビア音声データセットである。 その中には、エジプト、ヨルダン、レバノン、モーリタニア、パレスチナ、サウジアラビアにまたがる21のマイクロダイアレクトからなる、約40時間のYouTube演説が含まれている。 各セグメントには、1つ以上の操作可能なマイクロダイアレクトラベル、コードスイッチング情報、発話レベルの知覚性が注釈付けされている。
• 参考スコア（独自算出の注目度）: 15.629517937403918
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present Cardamom, a micro-dialectal Arabic speech dataset designed to support fine-grained evaluation and adaptation of automatic speech recognition (ASR) systems. Community-curated by native speakers familiar with the represented varieties, Cardamom contains approximately 40 hours of transcribed YouTube speech spanning 21 micro-dialects across Egypt, Jordan, Lebanon, Mauritania, Palestine, and Saudi Arabia. Each segment is annotated with one or more operational micro-dialect labels, code-switching information, and utterance-level perceived gender, enabling analysis of sub-country variation that is obscured by conventional country-level labels. We describe the collection and annotation process, motivate the micro-dialect inventory linguistically, and benchmark four multilingual ASR systems in zero-shot and adapted settings. The strongest zero-shot system obtains 43.47% aggregate WER, with particularly high error rates on Mauritanian and Lebanese varieties; adaptation on Cardamom reduces its WER to 35.21%. Audio-based identification experiments further show that the annotations provide a learnable prediction target, with a dedicated classifier reaching 85.57% accuracy on 21-way micro-dialect identification. Cardamom provides a resource for studying localized dialectal variation and developing Arabic speech systems with broader regional coverage.
• Abstract（参考訳）: 自動音声認識システム(ASR)の微粒化評価と適応を支援するために設計された,マイクロディレクタアラビア語音声データセットであるCardamomを提案する。 Cardamomには、エジプト、ヨルダン、レバノン、モーリタニア、パレスチナ、サウジアラビアにまたがる21のマイクロダイアレクトからなる、約40時間にわたるYouTubeの音声書き起こしが含まれている。 各セグメントは、1つ以上の運用用マイクロダイアレクトラベル、コードスイッチング情報、発話レベルの知覚性でアノテートされ、従来の国レベルのラベルによって隠蔽されるサブカントリー変動の分析を可能にする。 収集とアノテーションのプロセスを説明し,マイクロダイアレクトの在庫を言語的に動機付け,ゼロショットと適応した設定で4つの多言語ASRシステムをベンチマークする。 最強のゼロショットシステムは43.47%の集合WERを取得し、特にモーリタニアやレバノンの品種ではエラー率が高い。 音声に基づく識別実験により、アノテーションは学習可能な予測対象となり、専用分類器は21方向のマイクロダイアレクト識別において85.57%の精度に達した。 Cardamomは、局所的な方言の変化を研究し、より広い地域をカバーするアラビア語の音声システムを開発するためのリソースを提供する。

関連論文リスト

• NADI 2026: The Second Multidialectal Arabic Speech Processing Shared Task [58.96707725438922]
  自動音声認識(ASR)、音声対話識別(SDID)、テキスト音声翻訳(TTS)、音声言語翻訳(SLT)、音声言語理解(SLU)の5つのタスクと8つのサブタスクからなる。 Nadir 2026は、低帯域幅、混合ダイアレクト、コードスイッチ、アウト・オブ・ドメイン、ゼロショット設定による現実的な評価を強調している。
  論文  参考訳（メタデータ） (2026-09-22T21:37:54Z)
• AlexandriaX 2026: The First Shared Task on Dialectal Arabic Machine Translation [65.18574662565511]
  アレクサンドリアX 2026 アラビア語 MT の共有タスクは、3つのサブタスクを通じて課題に対処する。 Subtask 1の最良のシステムは、制約のないトラックで30.42 spBLEU、制約のないトラックで33.49 spBLEUを達成した。 その結果、明示的な方言モデリング、文脈認識生成、検索と再ランク付け、およびMT誤り解析のための特殊なアプローチの利点が浮き彫りになった。
  論文  参考訳（メタデータ） (2026-09-19T05:59:30Z)
• Bulbul: A Dataset for Dialectal Arabic Speech Recognition [23.17840151160424]
  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。
  論文  参考訳（メタデータ） (2026-08-22T13:27:12Z)
• Benchmarking Commercial ASR Systems on Code-Switching Speech: Arabic, Persian, and German [0.34797121357690153]
  我々は、4つの言語ペアで5つの商用ASRプロバイダを評価するベンチマークを示す。 We evaluate on WER and BERTScore, showed that both metrics agree on the Ordinal ranking of systems, WER inflats the size of quality gaps。 ElevenLabs Scribe v2は最低のWER(全体の13.2%)を獲得し、BERTScore(全体の0.936)に導かれる。
  論文  参考訳（メタデータ） (2026-05-18T19:50:44Z)
• 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)
• AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
  マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。 AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。 また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
  論文  参考訳（メタデータ） (2025-08-29T07:40:39Z)
• Automatic Speech Recognition Advancements for Indigenous Languages of the Americas [0.0]
  The Second Americas (Americas Natural Language Processing) Competition Track 1 of NeurIPS (Neural Information Processing Systems) 2022年、Cechua、Guarani、Brbri、Kotiria、Wa'ikhanaの5つの先住民言語の自動音声認識システムの訓練タスクを提案した。 対象言語毎の最先端のASRモデルの微調整について,データ拡張法に富んだ多種多様な情報源からの音声データの約36.65時間を用いて述べる。 私たちは各言語で最高のモデルをリリースし、Wa'ikhanaとKotiriaの最初のオープンなASRモデルをマークしています。
  論文  参考訳（メタデータ） (2024-04-12T10:12:38Z)
• Comprehensive Benchmark Datasets for Amharic Scene Text Detection and Recognition [56.048783994698425]
  Ethiopic/Amharicスクリプトはアフリカ最古の書記システムの一つで、東アフリカで少なくとも23の言語に対応している。 アムハラ語の表記体系である Abugida は282音節、15句の句読点、20の数字を持つ。 HUST-ART, HUST-AST, ABE, Tana という,自然界におけるアムハラ文字の検出と認識のための総合的な公開データセットを提示した。
  論文  参考訳（メタデータ） (2022-03-23T03:19:35Z)

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。