多方言越南语：任务、数据集、基线模型与挑战
计算与语言
2024-10-07 v1
摘要
越南语是一种低资源语言，通常被划分为北部、中部和南部三个主要方言群。然而，每个省份在这些地区都存在独特的发音差异。尽管存在各种语音识别数据集，但均未对63个省份-specific方言进行细粒度分类。为填补这一空白，我们引入越南多方言（ViMD）数据集，一个全面捕捉越南全境63种省份方言的新型数据集。数据集包含102.56小时音频，约19,000句语音，关联转录文本超过120万字。为提供基准并展示数据集的挑战，我们对现有的预训练模型进行微调，以完成两个下游任务：（1）方言识别；（2）语音识别。实证结果表明：地理因素对方言具有显著影响；当前方法在涉及多方言语音数据的语音识别任务中存在局限。该数据集将对研究开放。
引用
@article{arxiv.2410.03458,
title = {Multi-Dialect Vietnamese: Task, Dataset, Baseline Models and Challenges},
author = {Nguyen Van Dinh and Thanh Chi Dang and Luan Thanh Nguyen and Kiet Van Nguyen},
journal= {arXiv preprint arXiv:2410.03458},
year = {2024}
}
备注
Main EMNLP 2024