VoxPopuli：用于表征学习、半监督学习与口译的大规模多语言语音语料库
计算与语言
2021-07-28 v2 音频与语音处理
摘要
我们介绍了 VoxPopuli，一个提供 23 种语言共 100K 小时无标注语音数据的大规模多语言语料库。它是迄今为止用于无监督表征学习以及半监督学习的最大开放数据。VoxPopuli 还包含 16 种语言的 1.8K 小时转写语音，以及它们对齐为另外 5 种语言的口译，总计 5.1K 小时。我们提供了语音识别基线，并验证了 VoxPopuli 无标注数据在具有挑战性的域外设置下半监督学习的通用性。我们将以开放许可在 https://github.com/facebookresearch/voxpopuli 发布该语料库。
引用
@article{arxiv.2101.00390,
title = {VoxPopuli: A Large-Scale Multilingual Speech Corpus for Representation Learning, Semi-Supervised Learning and Interpretation},
author = {Changhan Wang and Morgane Rivière and Ann Lee and Anne Wu and Chaitanya Talnikar and Daniel Haziza and Mary Williamson and Juan Pino and Emmanuel Dupoux},
journal= {arXiv preprint arXiv:2101.00390},
year = {2021}
}
备注
Accepted to ACL 2021 (long paper)