BanglaNum——面向语音孟加拉数字识别的公开数据集
音频与语音处理
2024-03-21 v1 信号处理
摘要
自动语音识别（ASR）将人类语音转换为易于理解和分类的文本或词汇。尽管孟加拉语是世界上使用最广泛的语言之一，但针对孟加拉语 ASR 的研究非常少，尤其是针对孟加拉国口音的孟加拉语。在本研究中，我们利用大学生的口语数字（0-9）录音构建了一个孟加拉语语音数字数据集，可用于训练人工神经网络以构建基于语音的数字输入系统。本文还比较了使用频谱图的多个卷积神经网络（CNN）在孟加拉数字识别上的准确率，并表明在我们的数据集上，使用 SqueezeNet 等参数高效模型可以达到 98.23% 的测试准确率。
引用
@article{arxiv.2403.13465,
title = {BanglaNum -- A Public Dataset for Bengali Digit Recognition from Speech},
author = {Mir Sayeed Mohammad and Azizul Zahid and Md Asif Iqbal},
journal= {arXiv preprint arXiv:2403.13465},
year = {2024}
}