ZAEBUC-Spoken：一个多语言多方言阿拉伯语-英语语音语料库

我们提出了 ZAEBUC-Spoken，一个多语言多方言阿拉伯语-英语语音语料库。该语料库包含十二小时的 Zoom 会议，涉及多名说话人进行角色扮演，模拟工作场景：学生就某一主题进行头脑风暴，随后与对话者进行讨论。这些会议涵盖不同主题，并划分为具有不同语言设置的阶段。该语料库为自动语音识别（ASR）提供了一组具有挑战性的数据，包含两种语言（阿拉伯语和英语），其中阿拉伯语具有多种变体（现代标准阿拉伯语、海湾阿拉伯语和埃及阿拉伯语），英语带有各种口音。增加了该语料库复杂性的还有这些语言和方言之间的语码转换。作为我们工作的一部分，我们借鉴现有的转录指南，提出了一套处理对话语音、语码转换以及两种语言正字法问题的指南。我们进一步用两层标注丰富了该语料库：（1）针对阿拉伯语不同变体发生混合的语料库部分进行方言程度标注，以及（2）自动形态学标注，包括词元化、词形还原和词性标注。