arXiv cs.CL· Sanjid Hasan, A H M Fuad, Risalat Labib, Bayazid Hasan Simon·· 11 小时前AI 评分31
Lipi-Ghor：大规模孟加拉语带说话人分离多领域语音语料库及可扩展构建流程
Lipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building It
AI 导读
Lipi-Ghor 是一个包含 885 小时音频的孟加拉语语音语料库，来自 998 个 YouTube 视频、596 个频道，覆盖有声书、戏剧、宗教布道、新闻及方言等 17 个领域，每条录音以 SSTT 格式标注说话人、语音、转写和时间戳。
正文 · AI 翻译
摘要：孟加拉语的使用者超过 2.3 亿，但在口语语言研究中仍严重缺乏资源。现有的开放孟加拉语 ASR 语料库仅限于简短的朗读或众包语音，且缺少说话人日志和长音频。
我们提出 Lipi-Ghor，一个大规模弱监督孟加拉语语音语料库，包含 885 小时音频，来源于 596 个不同频道的 998 个 YouTube 视频，涵盖有声书、戏剧、宗教布道、新闻和地区方言等 17 个不同领域。每段录音均以 SSTT 格式（说话人、语音、转写、时间戳）标注，该格式将自动说话人日志与孟加拉语 YouTube 字幕轨相结合。
据我们所知，Lipi-Ghor 是首个兼具大规模覆盖与说话人日志长音频标注的孟加拉语语音语料库，而这两点在现有开放孟加拉语资源中均缺失。我们还提出了构建方法，作为可复现的流水线，适用于任何拥有充足带字幕 YouTube 内容的语言。在少数资源丰富领域进行有针对性的频道筛选，可产生此前低资源语言无法达到的语料库规模。
我们在零样本和微调条件下对四种广泛使用的 ASR 模型进行了基准测试。这四种模型在情感、方言和长音频内容上均持续退化。由于字幕目标存在噪声，我们还发布了一个人工标注的金标准评估集，由 17 名志愿标注者在 30 小时的人机协同纠错中验证，并在全部 17 个领域分层抽样。
我们以 CC-BY-4.0 协议发布我们的原创贡献（视频 ID 列表、说话人日志输出、流水线代码和金标准标注），并仅出于研究目的分发源自字幕的转写文本；不重新分发原始音频。
| 评论： | 12 页，7 幅图。发表于 Proceedings of the Speech and Audio Language Models Workshop（第 2 版），第 190-201 页，2026 年 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.36184 [cs.CL] |
| （或 arXiv:2610.36184v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36184 由 DataCite 颁发 arXiv DOI（待注册） |
提交历史
来自：Sanjid Hasan [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 19:17:52 UTC（1,199 KB）
来源：arXiv cs.CL · arxiv.org