TALCS：一个开源的普通话-英语码切换语料库及语音识别基线
计算与语言
2022-06-28 v1 声音
音频与语音处理
摘要
本文介绍了一个新的普通话-英语码切换语音识别语料库——TALCS语料库，适用于训练和评估码切换语音识别系统。TALCS语料库来源于好未来教育集团真实的在线一对一英语教学场景，包含约587小时、采样率为16 kHz的语音。据我们所知，TALCS语料库是世界上最大的标注良好的普通话-英语码切换开源自动语音识别（ASR）数据集。本文将详细介绍录制过程，包括音频采集设备和语料库环境。TALCS语料库在宽松许可证下可免费下载。利用TALCS语料库，我们在两个流行的语音识别工具包（包括ESPnet和Wenet）中进行ASR实验以构建基线系统。本文比较了两种语音识别工具包在TALCS语料库上的混合错误率（MER）性能。实验结果表明，音频录制和转写的质量良好，基线系统可行。
引用
@article{arxiv.2206.13135,
title = {TALCS: An Open-Source Mandarin-English Code-Switching Corpus and a Speech Recognition Baseline},
author = {Chengfei Li and Shuhao Deng and Yaoping Wang and Guangjing Wang and Yaguang Gong and Changbin Chen and Jinfeng Bai},
journal= {arXiv preprint arXiv:2206.13135},
year = {2022}
}
备注
accepted by INTERSPEECH 2022