BRADS和BRWDS:用于自动孟加拉语区域语音识别的多用途音频和文本数据集

科学领域:

• 自然语言处理自然语言处理.
• 语音技术 语言技术
• 计算语言学 计算语言学

背景情况:

• 孟加拉语是第七大母语,在语音识别研究中代表性不足.
• 现有的语音识别系统往往无法捕捉孟加拉语的语言多样性和区域发音变化.
• 对于开发强大的孟加拉语自动语音识别 (ASR) 系统的可访问,全面的数据集存在重大差距.

研究的目的:

• 为孟加拉语语音识别提供创新的数据集,强调区域语言差异.
• 为开发自动孟加拉语区域语音识别系统的研究人员提供资源.
• 解决孟加拉语在语音技术中的不足问题,并促进NLP的语言多样性.

主要方法:

• 收集了来自孟加拉国八个地区的母语使用者的298个经常使用的孟加拉语单词 (233个区域,65个标准).
• 录制了2439个音频段,由85位母语人士自愿贡献.
• 十名大学生评估了音频段,以确保质量和相关性.
• 将背景噪声纳入数据集,以模拟模型训练的真实环境.

主要成果:

• 开发了一套多用途数据集,包含标准和多样化的区域孟加拉语单词,发音各异.
• 该数据集捕捉了特定的区域发音和语言细微差别,这些细微差别对ASR发展至关重要.
• 该资源包括带有背景噪声的音频段,增强其用于强大的模型训练的实用性.

结论:

• 开发的孟加拉语音识别数据集解决了该领域的一个关键缺口.
• 这种资源有潜力显著推进孟加拉语ASR和NLP研究,特别是关于语言多样性的研究.
• 数据集的模块化设计允许未来的扩展,承诺继续为代表性不足的语言的语音技术做出贡献.