MediaSpeech：多语言 ASR 基准与数据集
音频与语音处理
2021-03-31 v1 声音
摘要
众所周知，自动语音识别（ASR）系统在不同应用领域的性能表现存在差异。与此同时，供应商和研究团队通常要么针对有限的简单领域（有声书、TED 演讲）报告 ASR 质量结果，要么基于专有数据集。为填补这一空白，我们提供了一个开源的 10 小时 ASR 系统评估数据集 NTR MediaSpeech，涵盖 4 种语言：西班牙语、法语、土耳其语和阿拉伯语。该数据集采集自相应语言的媒体官方 YouTube 频道，并经过人工转写。我们估计该数据集的词错率（WER）低于 5%。我们对商业和免费提供的众多 ASR 系统进行了基准测试，并给出基准结果。我们还开源了每种语言的 QuartzNet 基线模型。
引用
@article{arxiv.2103.16193,
title = {MediaSpeech: Multilanguage ASR Benchmark and Dataset},
author = {Rostislav Kolobov and Olga Okhapkina and Olga Omelchishina and Andrey Platunov and Roman Bedyakin and Vyacheslav Moshkin and Dmitry Menshikov and Nikolay Mikhaylovskiy},
journal= {arXiv preprint arXiv:2103.16193},
year = {2021}
}