HK-LegiCoST：利用非逐字转写文本进行语音翻译
计算与语言
2023-06-21 v1 机器学习
摘要
我们介绍 HK-LegiCoST，一个粤语-英语翻译的新三语平行语料库，包含 600 多小时粤语音频、其标准繁体中文转写文本以及英语译文，并在句子级别进行了切分和对齐。我们描述了语料库准备中的显著挑战：切分、长音频记录的对齐，以及与不逐字转写文本的句子级对齐。当源语言的口语与书面语形式存在显著差异时，此类转写文本使该语料库适用于语音翻译研究。由于其大规模，我们能够在 HK-LegiCoST 上展示有竞争力的语音翻译基线，并将其扩展到 FLEURS 粤语子集上有前景的跨语料库结果。这些结果对源语言因包括方言和土语语音在内的多种因素而普遍存在的非逐字或"噪声"转写情况下的语音识别与翻译研究提供了见解。
引用
@article{arxiv.2306.11252,
title = {HK-LegiCoST: Leveraging Non-Verbatim Transcripts for Speech Translation},
author = {Cihan Xiao and Henry Li Xinyuan and Jinyi Yang and Dongji Gao and Matthew Wiesner and Kevin Duh and Sanjeev Khudanpur},
journal= {arXiv preprint arXiv:2306.11252},
year = {2023}
}