論文の概要: TutlAit v1: a crowdsourced Moroccan Tamazight speech dataset with Arabic transcriptions and regional accent labels
- arxiv url: http://arxiv.org/abs/2609.38219v1
- Date: Sun, 27 Sep 2026 16:28:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.390946
- Title: TutlAit v1: a crowdsourced Moroccan Tamazight speech dataset with Arabic transcriptions and regional accent labels
- Title（参考訳）: TutlAit v1: アラビア文字と地域アクセントラベル付きモロッコ・タマジット音声データセット
- Abstract要約: 本稿では、現代標準アラビア語テキストと明示的な地域アクセントラベルを組み合わせたモロッコのタマジット音声コーパスであるTutlAitデータセットについて述べる。
データは、クラウドソーシングのためのWebアプリケーションであるTutlAitで収集された。
データセットには、合計75,231秒(約20.9時間、約3.01GB)の13,384のオーディオファイルが含まれている。
- 参考スコア（独自算出の注目度）: 0.05417521241272644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tamazight (Amazigh) is, together with Arabic, one of the two official languages of Morocco, yet it remains severely under-resourced for speech technology: pub licly available labelled audio is scarce, generally lacks information on the regional variety spoken, and is often of uneven transcription quality. This article describes the TutlAit dataset, a corpus of Moroccan Tamazight speech paired with Modern Standard Arabic text and explicit regional accent labels. The data were collected with TutlAit, a purpose-built crowdsourcing web application (React 18 front end, Django 5 / Django REST Framework back-end, PostgreSQL database). Native speakers recruited through targeted LinkedIn and Instagram campaigns created an account, declared their regional variety (Atlas, Souss, Rif or other) and demographic information, and then contributed through two workflows: Text-to Audio, in which an Arabic sentence is displayed and the volunteer records its oral Tamazight rendering in the browser, and Audio-to-Text, in which a Tamazight excerpt is played and the volunteer types its Arabic transcription. A complemen tary set of segments was obtained from freely accessible Tamazight audiovisual media, segmented and annotated with ELAN and imported through a bulk CSV/ZIP pipeline. Every upload is converted server-side to 16kHz mono WAV, hashed with SHA-256 for duplicate rejection, checked for duration bounds and validated by an administrator. The dataset contains 13,384 audio files totalling 75,231 seconds (approximately 20.9 hours, about 3.01GB). The Atlas variety accounts for 9,956 files (14.08h) and the Souss variety for 3,378 files (6.75h); small Rif (22 files) and Kabyle (28 files) subsets are also included. The corpus can be reused for speech recognition, speech translation and accent identification for Moroccan Tamazight.
- Abstract（参考訳）: タマジト語(アマジ語)は、モロッコの2つの公用語の1つであるアラビア語と共に、音声技術には非常に不足している。
本稿では、現代標準アラビア語テキストと明示的な地域アクセントラベルを組み合わせたモロッコのタマジット音声コーパスであるTutlAitデータセットについて述べる。
データは、目的で構築されたクラウドソーシングWebアプリケーション(React 18フロントエンド、Django 5 / Django REST Frameworkバックエンド、PostgreSQLデータベース)であるTutlAitで収集された。
対象とするLinkedInとInstagramのキャンペーンを通じて採用されたネイティブスピーカーはアカウントを作成し、彼らの地域的多様性(Atlas、Souss、Rifなど)と人口統計情報を宣言し、2つのワークフローを通じて貢献した。
The complemen tary set of segments were obtained from free access Tamazight audiovisual media, segmented and annotated with ELAN and import through a bulk CSV/ZIP pipeline。
すべてのアップロードはサーバ側で16kHzのモノWAVに変換され、重複拒否のためにSHA-256でハッシュされ、持続境界がチェックされ、管理者によって検証される。
データセットには、合計75,231秒(約20.9時間、約3.01GB)のオーディオファイル13,384本が含まれている。
Atlasは9,956ファイル (14.08h)、Soussは3,378ファイル (6.75h)、小さなRif (22ファイル)、Kabyle (28ファイル)のサブセットも含んでいる。
コーパスは、モロッコのタマジットの音声認識、音声翻訳、アクセント識別のために再利用することができる。
関連論文リスト
- YODAS v3: Over 1 Million Hours of High-Bandwidth, Stereophonic, Multilingual Speech [61.524049762777686]
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。
論文 参考訳（メタデータ） (2026-09-24T12:06:46Z) - 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) - TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild [102.11425887660327]
音声技術は急速に進歩し、世界中の多様な人口に役立っている。
多くの言語は限られた資源のために表現されていない。
台湾の台義における実世界の発話意図データセットであるtextbfTaigiSpeechを紹介した。
論文 参考訳（メタデータ） (2026-03-23T01:44:45Z) - ARCADE: A City-Scale Corpus for Fine-Grained Arabic Dialect Tagging [4.23980289430769]
我々は、都市レベルの方言の粒度を明示的に設計した最初のアラビア語音声データセットARCADEを提示する。
コーパスは、アラブ世界のストリーミングサービスから収集されたアラビアのラジオ音声で構成されている。
その結果得られたコーパスは、19か国58都市にまたがる6,907のアノテーションと3,790のユニークなオーディオセグメントで構成されている。
論文 参考訳（メタデータ） (2026-01-05T15:32:17Z) - Which one Performs Better? Wav2Vec or Whisper? Applying both in Badini Kurdish Speech to Text (BKSTT) [1.174020933567308]
本研究では,バディーニの発話に基づく言語モデルを作成し,その性能を評価する。
We used Wav2Vec2-Large-XLSR-53 and Whisper-small to developed the language model。
実験により、Wav2Vec2-Large-XLSR-53モデルに基づく転写プロセスは、Whisper-smallモデルよりもはるかに正確で読みやすい出力を提供することが示された。
論文 参考訳（メタデータ） (2025-08-13T17:19:22Z) - 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) - AudioPaLM: A Large Language Model That Can Speak and Listen [79.44757696533709]
本稿では,音声理解・生成のための大規模言語モデルであるAudioPaLMを紹介する。
AudioPaLMはテキストベースの言語モデルと音声ベースの言語モデルを融合する。
音声認識や音声音声翻訳などの応用により、テキストと音声を処理および生成することができる。
論文 参考訳（メタデータ） (2023-06-22T14:37:54Z) - 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) - Speech Resources in the Tamasheq Language [5.763310320023305]
主にマリ語とニジェール語で話される言語であるTamasheqの2つのデータセットを提示する。
これらのデータはCreative Commons BY-NC-ND 3.0ライセンスで共有されている。
論文 参考訳（メタデータ） (2022-01-13T16:24:06Z) - QASR: QCRI Aljazeera Speech Resource -- A Large Scale Annotated Arabic
Speech Corpus [11.113497373432411]
本稿では,放送領域から収集したアラビア語音声コーパス,QASRについて紹介する。
この多言語音声データセットは、アルジャジーラのニュースチャンネルからクロールされた16kHzでサンプリングされた2000時間の音声を含む。
論文 参考訳（メタデータ） (2021-06-24T13:20:40Z)
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。