WorldSpeech：全球多语言语音语料库
计算与语言
2026-05-12 v1 人工智能
机器学习
摘要
自动语音识别（ASR）在高资源语言（即拥有大量配对音频-文字数据的语言）上表现良好，但由于大多数语言缺乏公开可获取的对齐数据，其准确率会急剧下降。为此，我们介绍 WorldSpeech，一个由 24 kHz 组成的多语言语音语料库，包含 65000 小时的对齐音频-文字数据，覆盖 76 种语言，数据来源于议会记录、国际广播及公共领域有声书等多样化的公开来源。对于 37 种语言，WorldSpeech 提供超过 200 小时的对齐语音，其中 28 种超过 500 小时，24 种超过 1000 小时。在 WorldSpeech 上微调现有 ASR 模型后，平均相对词错误率（WER）在 11 种类型多样的语言上降低了 63.5%。
引用
@article{arxiv.2605.09167,
title = {WorldSpeech: A Multilingual Speech Corpus from Around the World},
author = {Antonis Asonitis and Luca A. Lanzendörfer and Frédéric Berdoz and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2605.09167},
year = {2026}
}