論文の概要: GigaSpeech 3: Scaling Multi-Dialect Arabic Speech Recognition with Weakly Labeled Data

• arxiv url: http://arxiv.org/abs/2611.02476v1
• Date: Mon, 02 Nov 2026 03:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.559962
• Title: GigaSpeech 3: Scaling Multi-Dialect Arabic Speech Recognition with Weakly Labeled Data
• Title（参考訳）: GigaSpeech 3: 弱ラベル付きデータによる多次元アラビア音声認識のスケールアップ
• Abstract要約: GigaSpeech 3は、アルジェリア語、エジプト語、イラク語、サウジアラビア語、シリア語を含む、約39,000時間1000万の音声セグメントからなるコーパスである。 音声認識バイアス付き自己教師型学習を用いてラベル付けモデルを訓練し,それを方言対応Webオーディオに適用する。 GigaSpeechBenchでは、最後の方言特有のモデルは5つの方言全てでラベル付けモデルより優れている。
• 参考スコア（独自算出の注目度）: 61.606738450096024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dialectal Arabic speech recognition remains constrained by the scarcity of dialect-resolved transcribed speech despite the abundance of web audio. We introduce GigaSpeech 3, a corpus of 39,000 hours and 10 million weakly transcribed speech segments covering Algerian, Egyptian, Iraqi, Saudi, and Syrian Arabic. Starting from 60 hours of manual transcription per dialect, we train labeling models using speech-recognition-biased self-supervised learning and apply them to dialect-matched web audio. Data selection and four rounds of noisy-student refinement for Saudi and Syrian Arabic yield the final corpus. We validate its utility through dialect-specific and multi-dialect speech recognition training and cross-domain evaluation. On GigaSpeechBench, the final dialect-specific models outperform their labeling models across all five dialects and achieve a macro-average word error rate of 23.86%, a 16.6% relative reduction from the strongest third-party system covering all five dialects, while outperforming the best third-party result on three dialects. A multi-dialect model using self-predicted dialect identities achieves a macro-average word error rate of 25.51% while also supporting Modern Standard Arabic. Across eight conditions from three external corpora, a GigaSpeech 3-trained Zipformer achieves the lowest word error rate among six evaluated models in every condition, while adapting the Qwen3 speech recognizer on GigaSpeech 3 improves performance across all eight conditions. We release the corpus and recipes as a foundation for dialect-aware Arabic speech processing.
• Abstract（参考訳）: 方言のアラビア音声認識は、Web音声が豊富であるにもかかわらず、方言解決音声の欠如に制約されている。 我々は,アルジェリア語,エジプト語,イラク語,サウジアラビア語,シリア語を含む39,000時間1000万の音声セグメントからなるGigaSpeech 3のコーパスを紹介する。 方言毎の60時間の手書き書き起こしから、音声認識バイアス付き自己教師付き学習を用いてラベル付けモデルを訓練し、それを方言対応Webオーディオに適用する。 データの選択と、サウジアラビアとシリアのアラビア語のためのノイズの多い学生の4ラウンドは、最終コーパスを産み出す。 方言固有の多言語音声認識訓練とクロスドメイン評価により,その有用性を検証した。 GigaSpeechBenchでは、最後の方言特化モデルが5つの方言すべてでラベルモデルを上回っ、マクロ平均単語誤り率23.86%を達成している。 自己予測弁証を用いた多方言モデルでは、マクロ平均単語誤り率は25.51%であり、モダン標準アラビア語もサポートしている。 3つの外部コーパスから得られる8つの条件に対して、GigaSpeech 3 の訓練されたZipformer は、各条件で評価された6つのモデルの中で最低の単語誤り率を達成し、GigaSpeech 3 の Qwen3 音声認識は8つの条件すべてで性能を向上させる。 我々は、方言対応アラビア語音声処理の基礎として、コーパスとレシピをリリースする。

関連論文リスト

• 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)
• 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)
• DialectGen: Benchmarking and Improving Dialect Robustness in Multimodal Generation [111.94720088481614]
  多モーダル生成モデルは方言テキスト入力を効果的に生成できるのか? 6つの共通英語方言にまたがる大規模ベンチマークを構築した。 マルチモーダル生成モデルのための一般的なエンコーダに基づく緩和戦略を設計する。
  論文  参考訳（メタデータ） (2025-10-16T17:56:55Z)
• CosyVoice 3: Towards In-the-wild Speech Generation via Scaling-up and Post-training [70.31925012315064]
  野生におけるゼロショット多言語音声合成のための改良モデルであるCosyVoice 3を提案する。 CosyVoice 3の主な特徴は、韻律自然性を改善する新しい音声トークンである。 データは1万時間から100万時間に拡張され、9つの言語と18の中国語方言を含んでいる。
  論文  参考訳（メタデータ） (2025-05-23T07:55:21Z)
• 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)
• End-to-End Automatic Speech Recognition model for the Sudanese Dialect [0.0]
  本稿では,スーダン方言における音声認識モデルの設計の可能性を検討する。 本稿では,スーダン方言の概要と表現資源の収集作業,および質素なデータセット構築のための前処理について述べる。 設計されたモデルは、現在の認識タスクに関するいくつかの洞察を与え、平均的なラベルエラーレート73.67%に達した。
  論文  参考訳（メタデータ） (2022-12-21T07:35:33Z)
• A Highly Adaptive Acoustic Model for Accurate Multi-Dialect Speech Recognition [80.87085897419982]
  単一AMを用いた高精度多言語音声認識のための新しい音響モデリング手法を提案する。 提案するAMは、方言情報とその内部表現に基づいて動的に適応し、複数の方言を同時に扱うための高度適応型AMとなる。 大規模音声データセットにおける実験結果から,提案したAMは,方言固有のAMと比較して,単語誤り率(WER)が8.11%,方言固有のAMに比べて7.31%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-05-06T06:07:09Z)
• Jira: a Kurdish Speech Recognition System Designing and Building Speech Corpus and Pronunciation Lexicon [4.226093500082746]
  中央クルド語のための最初の大規模な語彙音声認識システム(LVSR)、Jiraを紹介します。 クルド語(クルド語)は、複数の国で3000万人以上が話しているインド・ヨーロッパ語である。 音声コーパスについて、我々は、コレクション内のダイフォンの比率が中央クルド語の実際のデータに似ている文集を設計しました。 11の異なる文書トピックを含むテストセットは、2つの対応する音声条件で設計および記録される。
  論文  参考訳（メタデータ） (2021-02-15T09:27:54Z)
• Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
  XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。 我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。 実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-24T18:25:05Z)

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。