转录、对齐与分割：为低资源语言创建语音数据集
音频与语音处理
2024-06-19 v1
摘要
本文展示了一种为语音处理任务生成训练数据的成本有效方法。首先，我们使用最先进的自动语音识别（ASR）模型对无标签语音进行转录。随后，我们将生成的转录文本与音频对齐，并对短语进行分割。我们的工作重点在于面向低资源语言的语音识别，例如乌克兰语，使用播客作为无标签语音的来源。我们发布了全新的数据集 UK-PODS，包含现代化的对话式乌克兰语。该数据集包含超过 50 小时的文本-音频配对，以及 uk-pods-conformer——一个拥有 1.21 亿参数的 ASR 模型，其在 MCV-10 和 UK-PODS 上训练，相较于公开的 uk-nvidia-citrinet 在播客上实现了 3 倍的词错误率（WER）降低，同时在 MCV-10 测试集保持相当的 WER。UK-PODS 数据集 https://huggingface.co/datasets/taras-sereda/uk-pods 以及 ASR 模型 uk-pods-conformer https://huggingface.co/taras-sereda/uk-pods-conformer 已发布在 hugging-face hub 上。
引用
@article{arxiv.2406.12674,
title = {Transcribe, Align and Segment: Creating speech datasets for low-resource languages},
author = {Taras Sereda},
journal= {arXiv preprint arXiv:2406.12674},
year = {2024}
}