arXiv cs.CL· Sangmin Lee, Yejin Jeon, David Ifeoluwa Adelani·· 3 天前AI 评分33
ELARSpeech：覆盖 675 种低资源语言的 3 万小时多语言语音数据集
ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies
AI 导读
研究者发布 ELARSpeech，一个从濒危语言档案库整理的大规模多语言语音资源，包含 675 种低资源语言、共 30,202 小时语音，融合人工标注与无标注录音。实验显示该数据集可将 ASR 和 TTS 能力扩展至多种低资源语言，伪标注无标注数据还能带来额外提升，但语音表征分析也暴露出当前多语言模型向语言长尾迁移的局限。数据集、训练好的 ASR 与 TTS 模型及完整数据构建流程均已公开。
正文 · AI 翻译
摘要：近年来，大规模多语言语音建模取得了显著进展，但现有的训练资源和基准仍然未能充分代表语言长尾中的大部分语言。为弥补这一空白，我们推出了 ELARSpeech，一个大规模多语言语音资源，包含来自 675 种代表性不足语言的 30,202 小时语音，均整理自 Endangered Languages Archive。该语料库结合了人工标注和未标注录音，涵盖多样的录音条件、领域和语系。除语料库构建外，我们的实验表明 ELARSpeech 如何支持将 ASR 和 TTS 能力扩展到多种代表性不足的语言，并通过对未标注数据进行伪标注获得进一步收益。同时，我们的语音表征分析揭示了将现有多语言模型迁移到语言长尾时仍存在的局限。总之，ELARSpeech 既提供了资源，也提供了测试平台，可将多语言语音技术进一步扩展到语言长尾。我们公开发布该数据集、所有训练好的 ASR 和 TTS 模型以及完整的数据构建流程，以促进长尾多语言语音技术的研究。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；声音（cs.SD） |
| 引用为： | arXiv:2610.19388 [cs.CL] |
| （或 arXiv:2610.19388v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.19388 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Sangmin Lee [查看邮箱]
[v1]
2026年10月14日星期三 01:32:49 UTC（456 KB）
来源：arXiv cs.CL · arxiv.org