PAREDA：面向自然语言处理研究讨论的多方言语音数据集

虽然现代自动语音识别（ASR）系统在基准语料库上取得高准确率，但在面临真实世界变异性时性能常常下降。本工作聚焦于由于 accented、自发且领域特定语音导致的变异性。在本领域中，我们引入PAper REading DAtaset（PAREDA），这是一套首个多方言语音数据集，包含关于自然语言处理（NLP）论文的讨论，发言人拥有澳大利亚英语、印度英语和中国英语等不同方言。每个会话都引导进行自述（对论文摘要的概述）和非自述（参与者之间的问答）模式，构建了一个富含专业术语和对话现象的语料库。我们在PAREDA上评估了SOTA ASR模型的性能，分析了方言混合和语速增加的影响。我们的结果表明，在零样本设置下，模型表现较差，确认了该数据集的具备挑战性。然而，针对PAREDA进行微调可显著降低词错误率（WER），表明该数据集捕捉了现有语料库中常缺失的语言特征。PAREDA为构建和评估面向特殊化真实世界应用的更稳健、更包容性的ASR系统提供了宝贵的新资源。