非洲语言自动语音识别的人工合成语音数据

语音技术仍然无法覆盖非洲超过2300种语言的大多数语言。我们首次系统评估了大规模人工语音语料库用于非洲语音识别。我们采用三步方法：LLM驱动的文本创建、TTS语音合成和ASR微调。我们创建了十种语言中的八种人工文本，阅读评分均超过7分中的5分。我们评估了对三种语言（豪萨语、德HOLUO语、奇切韦语）的ASR改进，并创建了超过2500小时的人工语音数据，其成本不足真实数据的1%。在250小时真实数据和250小时人工豪萨语数据上微调的Wav2Vec-BERT-2.0模型，匹配了500小时真实数据基线；250小时真实数据和450小时至993小时人工数据的组合取得最佳性能。我们还呈现了按性别划分的ASR性能评估。对于极低资源语言，收益变化：奇切韦语WER在1:2真实数据与人工数据比例下约提高6.5%；德HOLUO语的1:1比例在某些评估数据上显示类似改进，但在其他数据上未显示。调查编码者可靠性、ASR错误和评估数据集，揭示了需要更健壮的审核程序和更准确的评估数据的需求。所有数据和模型均公开发布，以邀请进一步工作改进非洲语言的人工数据。