Tusom2021：一种来自濒危语言的用于通用音素识别实验的语音转写数据集
计算与语言
2021-04-05 v1 声音
音频与语音处理
摘要
人们对能够以语言无关方式识别音素的ASR系统兴趣日益增长。此外，人们对为低资源及濒危语言构建语言技术也有兴趣。然而，可用于测试此类系统和技术现实数据十分匮乏。本文提出一个公开可用的、含2255条语音（词和短短语）的音素转写语料库，其来自濒危的Tangkhulic语East Tusom（无ISO 639-3代码），一种主要分布于印度的藏缅语变体。由于该数据集以音素而非音位转写，相较于许多更大的（音位转写的）数据集，它更契合通用音素识别系统。本文描述该数据集及制作所用方法。进一步给出最先进通用音素识别系统在该数据集上的基本基准，作为未来实验的基线。
引用
@article{arxiv.2104.00824,
title = {Tusom2021: A Phonetically Transcribed Speech Dataset from an Endangered Language for Universal Phone Recognition Experiments},
author = {David R. Mortensen and Jordan Picone and Xinjian Li and Kathleen Siminyu},
journal= {arXiv preprint arXiv:2104.00824},
year = {2021}
}
备注
4 pages, 3 figures