主要口语语言的人工校正转录成本分析
计算与语言
2025-10-15 v1
摘要
为低资源语言创建语音数据集是关键且尚未充分理解的挑战，尤其是关于实际的人类劳动成本方面。本文调查了为一部分低资源语言、低识字率主要口语语言（聚焦于巴马巴语，为马里的一种民-ng 语）生产高质量标注语音数据的时间复杂度和复杂性。通过为期一月的田野研究，涉及十名具原住民语技能的 transcriber，我们分析了对 53 小时巴马巴语语音数据进行 ASR 生成转录的校正。我们报告，在实验室条件下准确转录一小时语音数据平均需要 30 小时的人类劳动力，在田野条件下需要 36 小时。该研究为一大类具有类似轮廓的语言在开展 NLP 资源创建提供了基准和实用见解。
引用
@article{arxiv.2510.12781,
title = {Cost Analysis of Human-corrected Transcription for Predominately Oral Languages},
author = {Yacouba Diarra and Nouhoum Souleymane Coulibaly and Michael Leventhal},
journal= {arXiv preprint arXiv:2510.12781},
year = {2025}
}
备注
6 pages, 1 figure