MockConf：一个学生解释数据集：分析、词级与片段级对齐及基线

在同步解释中，解释员会在源语音几乎完成前将其渲染为另一种语言。为了理解并稍后自动复现这一动态和复杂的任务，我们需要针对分析、监控和评估而构建专门的数据集和工具，例如平行语音语料库及其自动标注工具。现有的平行文本语料库及其对齐算法几乎无法填补这一差距，因为它们未能建模语音片段之间的长程相互作用或特定类型的差异（例如缩短、简化、功能概括化）在原始语音与解释语音之间。本文我们介绍 MockConf，一个来自学生解释模拟会议收集的学生解释数据集。该数据集包含 5 种欧洲语言、总计 7 小时的录音，按词级和片段级进行转录与对齐。我们进一步实现并发布 InterAlign，一个面向长文本平行词级和片段级标注的现代 Web 标注工具，适用于同步解释对齐。我们提出了评估指标并给出一个基线用于自动对齐。数据集和工具已发布给社区。