論文の概要: Lipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building It
- arxiv url: http://arxiv.org/abs/2610.36184v1
- Date: Mon, 26 Oct 2026 19:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.195727
- Title: Lipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building It
- Title（参考訳）: Lipi-Ghor: 大規模でダイアリゼーションされたマルチドメインベンガル音声コーパスとそれを構築するためのスケーラブルパイプライン
- Abstract要約: Lipi-Ghorは、596のユニークなチャンネルにまたがる998のYouTubeビデオから885時間のオーディオをソースとする、大規模で弱いソースのベンガル語コーパスである。
各録音はSSTT形式で注釈付けされる(Speaker, Speech, Transcription, Timestamp)。
Lipi-Ghorは、大規模なカバレッジを話者ダイアリゼーションとロングフォームオーディオアノテーションと組み合わせた初めてのベンガル語コーパスである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bengali, spoken by over 230 million people, remains severely under-resourced in spoken language research. Existing open Bengali ASR corpora are confined to short, read or crowd-sourced speech and lack speaker diarization and long-form audio. We present Lipi-Ghor, a large-scale weakly-supervised Bengali speech corpus comprising 885 hours of audio sourced from 998 YouTube videos across 596 unique channels, spanning 17 diverse domains including audiobooks, drama, religious sermons, news, and regional dialects. Each recording is annotated in SSTT format (Speaker, Speech, Transcription, Timestamp), which combines automated diarization with Bengali YouTube caption tracks. To our knowledge, Lipi-Ghor is the first Bengali speech corpus to pair large-scale coverage with speaker-diarized, long-form audio annotations, both of which are absent from existing open Bengali resources. We also present the construction methodology as a replicable pipeline for any language with a sufficient captioned YouTube presence. Targeted channel curation across a handful of rich domains yields corpus scales that were previously out of reach for low-resource languages. We benchmark four widely-used ASR models under zero-shot and fine-tuned conditions. All four degrade consistently on emotive, dialectal, and long-form content. Because caption targets are noisy, we also release a human-annotated gold evaluation split, verified by 17 volunteer annotators over 30 hours of human-in-the-loop correction and stratified across all 17 domains. We release our original contributions (video-ID lists, diarization output, pipeline code, and the gold annotations) under CC-BY-4.0, and distribute caption-derived transcripts for research use only; no raw audio is redistributed.
- Abstract（参考訳）: ベンガル語は2億3000万人を超える人々によって話され、音声言語研究において深刻なリソース不足が続いている。
既存のオープンなBengali ASRコーパスはショート、リード、クラウドソースの音声に限られており、話者ダイアリゼーションとロングフォームオーディオが欠如している。
今回紹介するLipi-Ghorは、ベンガル語音声コーパスで、596のチャンネルにまたがる998のYouTubeビデオから885時間の音声を出力し、オーディオブック、ドラマ、宗教説教、ニュース、地域方言を含む17のドメインにまたがる。
各録音はSSTTフォーマット(Speaker, Speech, Transcription, Timestamp)でアノテートされ、自動ダイアリゼーションとベンガルのYouTubeキャプショントラックを組み合わせる。
我々の知る限り、Lipi-Ghorはベンガル人初の音声コーパスであり、既存のベンガル人資源から欠落している話者ダイアリゼーションと長文音声アノテーションを組み合わせている。
また, 十分なキャプションを持つ任意の言語に対して, 複製可能なパイプラインとして構築手法を提案する。
少数のリッチドメインを対象とするチャネルキュレーションは、以前低リソース言語には届かなかったコーパススケールを発生させる。
我々は、ゼロショットおよび微調整条件下で広く使用されている4つのASRモデルをベンチマークした。
4つとも、感情的、弁証的、長文的な内容に着想する。
キャプションターゲットはノイズが多いため,ボランティアアノテータ17名による30時間以上のアノテータによるアノテータの検証と,全17ドメインにまたがる階層化も行う。
我々は、CC-BY-4.0でオリジナルコントリビューション(ビデオIDリスト、ダイアリゼーション出力、パイプラインコード、ゴールドアノテーション)を公開し、研究用のみにキャプション由来の書き起こしを配布する。
関連論文リスト
- BanglaKontho: Closing the Long-Form Gap in Bangla Text-to-Speech [0.0]
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。
論文 参考訳（メタデータ） (2026-09-24T07:24:01Z) - An Investigation Into Various Approaches For Bengali Long-Form Speech Transcription and Bengali Speaker Diarization [0.0]
本稿では,Kaggle における "DL Sprint 4.0 - Bengali Long-Form Speech Recognition" と "DL Sprint 4.0 - Bengali Speaker Diarization" のための多段階アプローチを提案する。
我々は,Bengaliデータに微調整したWhisper Mediumを実装し,Pyannote/Speaker-diarization-community-1とカスタムトレーニングセグメンテーションモデルを統合した。
その結果、ターゲットチューニングと戦略的データ利用は、南アジアの言語におけるAIを大幅に改善できることが示された。
論文 参考訳（メタデータ） (2026-03-03T17:00:42Z) - 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) - BLAB: Brutally Long Audio Bench [90.20616799311578]
Brutally Long Audio Bench (BLAB) は、音像定位、時間推定、感情、計数タスクについて、音声のLMを評価するロングフォームオーディオベンチマークである。
BLABは833時間以上の多様なフル長の音声クリップで構成されており、それぞれに人間の注釈付き、テキストベースの自然言語の質問と回答が組み合わされている。
BLAB 上で6つのオープンソースおよびプロプライエタリなオーディオ LM を評価し,Gemini 2.0 Pro や GPT-4o などの先進的なモデルを含む,すべてのタスクが苦労していることを確認した。
論文 参考訳（メタデータ） (2025-05-05T22:28:53Z) - Long-Form Speech Generation with Spoken Language Models [64.29591880693468]
テキストなしの音声言語モデルは、数十秒を超える可読な音声を生成するのに苦労する。
我々は、長音の音声から学習し、サンプルする最初の音声言語モデルであるSpeechSSMを導出する。
SpeechSSMは線形時間列モデリングの最近の進歩を活用し、コヒーレンスと効率性において現在のトランスフォーマー音声LMを大幅に上回っている。
論文 参考訳（メタデータ） (2024-12-24T18:56:46Z) - XLAVS-R: Cross-Lingual Audio-Visual Speech Representation Learning for Noise-Robust Speech Perception [62.660135152900615]
音声認識と翻訳システムではノイズの多い入力が不十分である。
XLAVS-Rは、雑音による音声認識と翻訳のための言語間音声・視覚音声表現モデルである。
論文 参考訳（メタデータ） (2024-03-21T13:52:17Z) - 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) - OOD-Speech: A Large Bengali Speech Recognition Dataset for
Out-of-Distribution Benchmarking [1.277758355297812]
OOD-Speechはベンガル語自動音声認識(ASR)のための最初のアウト・オブ・ディストリビューション・ベンチマークデータセットである
私たちのトレーニングデータセットは、大規模なオンラインクラウドソーシングキャンペーンを通じて収集され、1177.94時間、南アジアから22,645ドルのベンガル語話者から収集され、キュレートされた。
論文 参考訳（メタデータ） (2023-05-15T18:00:39Z) - Creating Speech-to-Speech Corpus from Dubbed Series [8.21384946488751]
本稿では,音声合成コーパスを構築するための教師なし手法を提案する。
提案手法は,ビデオフレーム,音声認識,機械翻訳,ノイズフレーム除去アルゴリズムを利用して,両言語のセグメントをマッチングする。
私たちのパイプラインは17時間のペアセグメントを生成することができました。
論文 参考訳（メタデータ） (2022-03-07T18:52:48Z) - 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。