FLEURS-Kobani：面向北克尔米语的 FLEURS 数据集扩展
计算与语言
2026-04-01 v1
摘要
FLEURS 提供了 100 多种语言的 n 向平行语音，但北克尔米语（Northern Kurdish）不在其中，这限制了该语言在自动语音识别和语音翻译任务中的基准测试。我们提出 FLEURS-Kobani，作为 FLEURS 基准的北克尔米语（ISO 639-3 KMR） spoken 扩展版本。FLEURS-Kobani 数据集包含 5,162 条经验证的语音片段，总时长为 18 小时 24 分钟。数据由 31 位母语者录制。该数据集扩展了对一种资源匮乏的克尔米语方言的基准覆盖。作为基线，我们对 Whisper v3-large 进行了微调用于语音识别（ASR）和端到端语音到语音翻译（E2E S2TT）。采用两阶段微调策略（Common Voice 至 FLEURS-Kobani）可获得最佳的语音识别性能（测试集上 WER 为 28.11，CER 为 9.84）。对于端到端语音到语音翻译（KMR 到 EN），Whisper 实现了 8.68 BLEU。我们另外报告了基于 pivot 的目标以及级联式 S2TT 设置。FLEURS-Kobani 为 ASR、S2TT 和 S2ST 任务提供了首个公开的北克尔米语基准。该数据集在 CC BY 4.0 许可证下公开供研究使用。
引用
@article{arxiv.2603.29892,
title = {FLEURS-Kobani: Extending the FLEURS Dataset for Northern Kurdish},
author = {Daban Q. Jaff and Mohammad Mohammadamini},
journal= {arXiv preprint arXiv:2603.29892},
year = {2026}
}