Lipi-Ghor: Bangla için 885 saatlik konuşmacı ayırmalı ses kurpusu
Lipi-Ghor, 885 saatlik ses verisi ve 17 alanı kapsayan, konuşmacı ayırma etiketli ilk büyük ölçekli Bangla konuşma kurpusudur. YouTube altyazıları ve otomatik ayırma ile oluşturulan SSTT formatındaki kurpus, düşük kaynaklı diller için ölçeklenebilir bir veri üretim boru hattı sunar. Dört ASR modelinin bu içerikte performans kaybı göstermesi, uzun formatlı ve diyalektik ses işlemenin hâlâ çözülmemiş bir sorun olduğunu ortaya koyar.
Bu yazıda
Ne değişti?
Lipi-Ghor, 998 YouTube videosundan derlenen 885 saatlik ses verisi ve 17 farklı alanı kapsayan ilk büyük ölçekli Bangla konuşma kurpusudur.
Kurpus, otomatik konuşmacı ayırma ve altyazı takibini birleştiren SSTT formatında etiketlenmiş uzun formatlı ses içerikleri sunar.
Neden önemli?
Mevcut açık Bangla kaynakları kısa ve tek konuşmacılı seslerle sınırlıyken, Lipi-Ghor uzun formatlı ve çok konuşmacılı içeriği konuşmacı ayırma etiketleriyle birleştiriyor. Bu durum, düşük kaynaklı dillerde ses tanıma modellerinin duygusal ve diyalektik içerikteki performans kaybını ölçmek için kritik bir altyapı sağlıyor. Ayrıca, altyazılı YouTube içeriğinden veri üretme yöntemi, benzer kısıtlara sahip diğer diller için tekrarlanabilir bir model sunuyor.
Geliştirici için ne anlama geliyor?
Açık kaynak boru hattı, altyazılı YouTube içeriği olan diğer düşük kaynaklı dillerde benzer ölçekli konuşma verisi üretmek için doğrudan uygulanabilir. SSTT formatı, konuşmacı ayırma ve transkripsiyonu tek yapıda birleştirerek çok konuşmacılı ses işleme projelerinde veri hazırlık sürecini standartlaştırır. Araştırmacılar, insan doğrulamalı altın değerlendirme seti sayesinde model performansını gürültülü otomatik altyazılardan bağımsız olarak ölçebilir.
Henüz neyi bilmiyoruz?
- Altyazı kaynaklı transkripsiyonlar gürültülü olduğundan, model değerlendirmesi için 30 saatlik insan doğrulamalı altın set ayrıca yayınlanmıştır.
- Ham ses dosyaları yeniden dağıtılmamaktadır; yalnızca video kimlik listeleri, ayırma çıktıları ve altyazı türevi metinler araştırma amaçlı erişime açıktır.
Haberin kaynakları
Birincil kaynakLipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building Itarxiv.org Araştırma keşfiHugging Face Daily PapersÖzgün sayfayı açYayın tarihleri
- blue'og yayını
- Kaynak yayını
Bu yazı, bağlantılı kaynaklar okunarak yapay zekâ ile hazırlandı. Kaynaktaki bulguların yanı sıra kullanım alanları ve açıklanmayan noktalar da yer alır. Kapak, konuyu anlatan bir illüstrasyondur. En güncel ayrıntılar için kaynakları inceleyebilirsiniz.
