WAXAL：大规模多语言非洲语言语音语料库
音频与语音处理
2026-03-03 v3 人工智能
计算与语言
摘要
语音技术的进步主要惠及高资源语言，导致了对大多数撒哈拉地区非洲语言使用者的显著数字鸿沟。为弥合这一差距，我们介绍 WAXAL，一套规模庞大且公开可获取的语音数据集，覆盖 24 种语言，代表超过 1 亿使用者。该数据集由两个主要组成部分构成：包含约 1250 小时的转录自然语音的自动语音识别 (ASR) 数据集，以及约 235 小时的高质量、单说话者录音的文本语音合成 (TTS) 数据集，后者包含读者朗读音标平衡脚本。本文详细阐述了我们的数据收集、标注和质量控制方法，这一过程涉及与四家非洲学术和社区组织的合作。我们提供该数据集的详细统计概览，并讨论其潜在局限性和伦理考量。WAXAL 数据集将在 https://huggingface.co/datasets/google/WaxalNLP 下以宽松的 CC-BY-4.0 许可证发布，以催化研究、促进包容性技术的发展，以及为这些语言的数字保存提供重要资源。
引用
@article{arxiv.2602.02734,
title = {WAXAL: A Large-Scale Multilingual African Language Speech Corpus},
author = {Abdoulaye Diack and Perry Nelson and Kwaku Agbesi and Angela Nakalembe and MohamedElfatih MohamedKhair and Vusumuzi Dube and Tavonga Siyavora and Subhashini Venugopalan and Jason Hickey and Uche Okonkwo and Abhishek Bapna and Isaac Wiafe and Raynard Dodzi Helegah and Elikem Doe Atsakpo and Charles Nutrokpor and Fiifi Baffoe Payin Winful and Kafui Kwashie Solaga and Jamal-Deen Abdulai and Akon Obu Ekpezu and Audace Niyonkuru and Samuel Rutunda and Boris Ishimwe and Michael Melese and Engineer Bainomugisha and Joyce Nakatumba-Nabende and Andrew Katumba and Claire Babirye and Jonathan Mukiibi and Vincent Kimani and Samuel Kibacia and James Maina and Fridah Emmah and Ahmed Ibrahim Shekarau and Ibrahim Shehu Adamu and Yusuf Abdullahi and Howard Lakougna and Bob MacDonald and Hadar Shemtov and Aisha Walcott-Bryant and Moustapha Cisse and Avinatan Hassidim and Jeff Dean and Yossi Matias},
journal= {arXiv preprint arXiv:2602.02734},
year = {2026}
}
备注
Initial dataset release with added TTS, some more to come