論文の概要: ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies

• arxiv url: http://arxiv.org/abs/2610.19388v2
• Date: Mon, 19 Oct 2026 23:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.203345
• Title: ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies
• Title（参考訳）: ELARSpeech: 長距離多言語音声技術のための675言語を対象とする30K時間データセット
• Abstract要約: ELARSpeechは、675言語にまたがる30,202時間の音声からなる大規模多言語音声資源である。 ELARSpeech が ASR と TTS の機能を多種多様な未表現言語に拡張する方法について実験を行った。 同時に,我々の音声表現分析により,既存の多言語モデルを言語長尾に転送する際の制限が残されていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 16.549984504692006
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Massively multilingual speech modeling has made remarkable progress in recent years, yet existing training resources and benchmarks still underrepresent much of the linguistic long tail. To address this gap, we introduce ELARSpeech, a large-scale multilingual speech resource comprising 30,202 hours of speech across 675 underrepresented languages, curated from the Endangered Languages Archive. Combining human-annotated and unlabeled recordings, the corpus spans diverse recording conditions, domains, and language families. Beyond corpus construction, our experiments show how ELARSpeech supports extending ASR and TTS capabilities to diverse underrepresented languages, with further benefits from pseudo-labeling unlabeled data. At the same time, our speech representation analysis reveals remaining limitations in transferring existing multilingual models to the linguistic long tail. Together, ELARSpeech provides both a resource and a testbed for extending multilingual speech technology further into the linguistic long tail. We publicly release the dataset, all trained ASR and TTS models, and the complete data construction pipeline to facilitate research on long-tail multilingual speech technologies.
• Abstract（参考訳）: 近年、多言語言語による音声モデリングは目覚ましい進歩を遂げているが、既存のトレーニングリソースやベンチマークは依然として言語的な長い尾のほとんどを過小評価している。 このギャップに対処するため、675言語にまたがる30,202時間に及ぶ大規模多言語音声リソースであるERARSpeechをEndangered Languages Archiveからキュレートした。 人間による注釈付きとラベルなしの録音を組み合わせることで、コーパスは様々な記録条件、ドメイン、言語家族にまたがる。 コーパス構築以外にも,ERARSpeech が ASR と TTS の機能を多種多様な未表現言語に拡張する上で,擬似ラベルなしデータによるさらなるメリットを示す実験を行った。 同時に,我々の音声表現分析により,既存の多言語モデルを言語長尾に転送する際の制限が残されていることが明らかとなった。 ELARSpeechは、多言語音声技術を言語長尾に拡張するためのリソースとテストベッドの両方を提供する。 我々は、データセット、訓練されたASRおよびTSモデル、および長い尾の多言語音声技術の研究を容易にする完全なデータ構築パイプラインを公開している。

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)
• A multilingual training strategy for low resource Text to Speech [5.109810774427171]
  ソーシャルメディアからのデータを、小さなTSデータセット構築に利用することができるか、また、言語間移動学習がこの種のデータに有効かどうかを検討する。 そこで本稿では,対象とする低リソース言語に対するTSモデルをトレーニングするために,外国語からのデータをどのように選択し,プールするかを検討する。 以上の結果から,多言語事前学習は単言語事前学習よりも,生成した音声の明瞭さと自然性を高めることが示唆された。
  論文  参考訳（メタデータ） (2024-09-02T12:53:01Z)
• Towards Building an End-to-End Multilingual Automatic Lyrics Transcription Model [14.39119862985503]
  利用可能なデータセットを用いた多言語ALTシステムの構築を目指している。 英語のALTに有効であることが証明されたアーキテクチャにヒントを得て,これらの手法を多言語シナリオに適用する。 単言語モデルと比較して,多言語モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-06-25T15:02:32Z)
• Towards a Deep Understanding of Multilingual End-to-End Speech Translation [52.26739715012842]
  我々は22言語以上で訓練された多言語エンドツーエンド音声翻訳モデルで学習した表現を解析する。 我々は分析から3つの大きな発見を得た。
  論文  参考訳（メタデータ） (2023-10-31T13:50:55Z)
• ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text Translation [79.66359274050885]
  公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。 提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:42:15Z)
• 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)
• Google USM: Scaling Automatic Speech Recognition Beyond 100 Languages [76.95115818308918]
  100以上の言語で自動音声認識(ASR)を行う単一大モデルであるUniversal Speech Model (USM)を導入する。 これは300以上の言語にまたがる1200万時間 (M) の大規模なラベル付き多言語データセット上で、モデルのエンコーダを事前トレーニングすることで達成される。 我々は,多言語事前学習とランダム投影量子化と音声-テキスト・モダリティマッチングを用いて,下流多言語ASRおよび音声-テキスト翻訳タスクの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-02T07:47:18Z)
• MLS: A Large-Scale Multilingual Dataset for Speech Research [37.803100082550294]
  データセットは、LibriVoxの読み出しオーディオブックに由来する。 英語の約44.5K時間と、他の言語で約6K時間を含む8つの言語で構成されている。
  論文  参考訳（メタデータ） (2020-12-07T01:53:45Z)
• CoVoST: A Diverse Multilingual Speech-To-Text Translation Corpus [57.641761472372814]
  CoVoSTは11言語から英語への多言語による音声からテキストへの翻訳コーパスである。 11,000人以上の話者と60以上のアクセントで多様化した。 CoVoSTはCC0ライセンスでリリースされており、無料で利用できる。
  論文  参考訳（メタデータ） (2020-02-04T14:35:28Z)

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。