arXiv cs.CL· Kola Tubosun, Aanuoluwapo Aremu, Tolulope Ogunremi, Iroro Orife, David Ifeoluwa Adelani·· 10 天前AI 评分18
ÌròyìnSpeech 文本语料库发布：24,905 条约鲁巴语精选句子
The \`{I}r\`{o}y\`{i}nSpeech Text Corpus: 24,905 Curated Yor\`ub\'a Sentences for Speech and Language Technology
AI 导读
ÌròyìnSpeech 发布其文本组件，包含 24,905 条人工核验、标注声调的约鲁巴语唯一句子（275,897 tokens；15,687 types），这些句子于 2022 年作为录音提示词整理。
正文 · AI 翻译
摘要：ÌròyìnSpeech 是一个时长 42 小时、包含 80 位说话人的约鲁巴语朗读语音语料库，其音频自 2024 年起由 ELRA 分发。本文介绍其文本部分的发布：24,905 个经过人工核验、标注声调的独特约鲁巴语句子（275,897 个词元；15,687 个词型），于 2022 年整理作为录音提示语。约 11,000 个句子改编自开放许可的新闻材料；其余为内部撰写，以拓宽覆盖范围，超越现有约鲁巴语语料库中占主导地位的宗教翻译内容。每个句子都经过人工检查声调标记的准确性，并经过编辑以确保朗读清晰、语域中性，同时进行了本地化处理，使非约鲁巴语的人名和地名以约鲁巴语形式出现。为发布而准备文本时，发现了影响超过 60% 行的系统性 Unicode 规范化失败（同一字母的预组合形式和分解形式在同一句子中同时出现），我们对此进行了记录和修正。该语料库支持变音符号还原、字素到音素转换、TTS 前端开发和正字法研究，并可作为经过验证的新录音提示语集。
| 评论： | v2：关键词已更新 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.05366 [cs.CL] |
| （或 arXiv:2610.05366v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.05366 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Kola Tubosun [查看电子邮件]
[v1]
2026年10月4日星期日 16:47:38 UTC（9 KB）
[v2]
2026年10月6日星期二 19:02:19 UTC（9 KB）
来源：arXiv cs.CL · arxiv.org