arXiv cs.CL· Khai Le-Duc·· 11 小时前AI 评分31
VietMed：越南语医疗领域语音识别数据集与基准
VietMed: A Dataset and Benchmark for Automatic Speech Recognition of Vietnamese in the Medical Domain
AI 导读
VietMed 是越南语医疗领域语音识别数据集，含 16 小时标注医疗语音、1000 小时未标注医疗语音和 1200 小时未标注通用领域语音，覆盖全部 ICD-10 疾病组和国内所有口音。
正文 · AI 翻译
摘要：由于隐私限制，医学领域公开可用的语音识别数据集十分匮乏。在本工作中，我们提出了 VietMed——一个医学领域的越南语语音识别数据集，包含 16 小时带标注的医学语音、1000 小时无标注的医学语音以及 1200 小时无标注的通用领域语音。据我们所知，VietMed 在 7 个方面是迄今为止全球最大的公开医学语音识别数据集：总时长、说话人数、疾病种类、录音条件、说话人角色、独特医学术语和口音。就总时长而言，VietMed 也是迄今为止最大的公开越南语语音数据集。此外，我们首次提出了覆盖所有 ICD-10 疾病组以及一个国家内所有口音的医学 ASR 数据集。而且，我们发布了首批公开的大规模越南语 ASR 预训练模型 w2v2-Viet 和 XLSR-53-Viet，以及首批公开的大规模医学 ASR 微调模型。即使在无监督预训练中未使用任何医学数据，我们最佳的预训练模型 XLSR-53-Viet 也能很好地泛化到医学领域，在测试集上以 29.6% 的 WER 优于最先进的 XLSR-53 的 51.8%（相对降低超过 40%）。所有代码、数据和模型均已公开：此 https URL。
| 评论： | LREC-COLING 2024（口头报告） |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；音频与语音处理（eess.AS） |
| 引用为： | arXiv:2404.05659 [cs.CL] |
| （或 arXiv:2404.05659v4 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2404.05659 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Khai Le-Duc [查看电子邮件]
[v1]
2024 年 4 月 8 日星期一 16:43:52 UTC（353 KB）
[v2]
2024 年 5 月 28 日星期二 05:27:48 UTC（351 KB）
[v3]
2025 年 4 月 4 日星期五 15:06:21 UTC（1,194 KB）
[v4]
2026 年 10 月 16 日星期五 07:21:38 UTC（323 KB）
来源：arXiv cs.CL · arxiv.org