TEDxTN：面向阿拉伯语-英语双语话语的三向语种翻译语料库

本文介绍 TEDxTN，即首个公开可用的突尼斯阿拉伯语到英语语音翻译数据集。该工作紧随当前努力之一，即缓解阿拉伯语方言数据稀缺障碍。我们收集、分段、转录并翻译了108场TEDx演讲，遵循我们内部开发的注释指南。所收集的演讲代表25小时的语音，包含双语切换内容，涵盖来自突尼斯11个不同地区的多种口音的演讲者。我们公开了注释指南和语料库。这将使 TEDxTN 可被扩展至后续可得的新演讲。我们还报告了使用多种预训练和微调的端到端模型进行语音识别和语音翻译的基准结果。这一语料库是首个开源且公开可用的双语切换突尼斯方言语音翻译语料库。我们相信这一资源将激励并促进突尼斯方言自然语言处理领域的进一步研究。