arXiv cs.CL· Junzhe Liu, Yujie Tu, Yifan Yang, Peng Wang, Haoran Wang, Guodong Lin, Leyan Liao, Chengquan Zhang, Zhifu Gao, Xiangang Li, Qinyuan Cheng, Xipeng Qiu, Wei-Qiang Zhang, Guoguo Chen, Kai Yu, Xie Chen·· 10 小时前AI 评分31
GigaSpeech 3：用弱标注数据扩展多方言阿拉伯语语音识别
GigaSpeech 3: Scaling Multi-Dialect Arabic Speech Recognition with Weakly Labeled Data
AI 导读
GigaSpeech 3 发布 39,000 小时、1000 万条弱转写语音片段，覆盖阿尔及利亚、埃及、伊拉克、沙特和叙利亚五种阿拉伯语方言。在 GigaSpeechBench 上，最终方言专用模型在全部五种方言上均优于其标注模型，宏平均词错误率 23.86%，较覆盖五方言的最强第三方系统相对降低 16.6%。
正文 · AI 翻译
作者：Junzhe Liu、Yujie Tu、Yifan Yang、Peng Wang、Haoran Wang、Guodong Lin、Leyan Liao、Chengquan Zhang、Zhifu Gao、Xiangang Li、Qinyuan Cheng、Xipeng Qiu、Wei-Qiang Zhang、Guoguo Chen、Kai Yu、Xie Chen
摘要：方言阿拉伯语语音识别仍受限于按方言标注的转写语音稀缺，尽管网络音频资源丰富。我们推出 GigaSpeech 3，这是一个包含 39,000 小时、1000 万个弱转写语音片段的语料库，覆盖阿尔及利亚、埃及、伊拉克、沙特和叙利亚阿拉伯语。我们从每种方言 60 小时的人工转写出发，利用语音识别偏置的自监督学习训练标注模型，并将其应用于方言匹配的网络音频。针对沙特和叙利亚阿拉伯语的数据筛选以及四轮噪声学生精炼，最终形成了该语料库。我们通过方言特定和多方言语音识别训练以及跨域评估验证了其实用性。在 GigaSpeechBench 上，最终的方言特定模型在全部五种方言上均优于其标注模型，并实现了 23.86% 的宏平均词错误率，相较于覆盖全部五种方言的最强第三方系统相对降低了 16.6%，同时在三种方言上优于最佳第三方结果。一个使用自预测方言身份的多方言模型实现了 25.51% 的宏平均词错误率，同时还支持现代标准阿拉伯语。在来自三个外部语料库的八种条件下，基于 GigaSpeech 3 训练的 Zipformer 在每种条件下都在六个评估模型中取得了最低的词错误率，而在 GigaSpeech 3 上适配 Qwen3 语音识别器则在全部八种条件下均提升了性能。我们发布该语料库和配方，作为方言感知阿拉伯语语音处理的基础。
| 评论： | 13 页，1 幅图，11 张表。提交至 IEEE Transactions on Audio, Speech and Language Processing |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.02476 [cs.CL] |
| （或 arXiv:2611.02476v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02476 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Junzhe Liu [查看电子邮件]
[v1]
2026 年 11 月 2 日星期一 03:47:10 UTC（106 KB）
[v2]
2026 年 11 月 3 日星期二 13:17:13 UTC（106 KB）
来源：arXiv cs.CL · arxiv.org