arXiv · cs.AI· Sangmin Lee, Yejin Jeon, David Ifeoluwa Adelani·· 4 小时前
ELARSpeech发布覆盖675种代表性不足语言的30,202小时语音数据集
ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies
arXiv:2610.19388v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Sangmin Lee, Yejin Jeon, David Ifeoluwa Adelani
研究任务与主要进展
ELARSpeech是一个覆盖675种代表性不足语言、包含30,202小时语音的多语种数据集，素材来自Endangered Languages Archive，并包含人工标注与未标注录音。作者基于该数据集扩展了ASR和TTS能力，实验显示伪标签对未标注数据带来进一步收益；论文摘要同时指出，现有语音模型向语言长尾迁移仍存在局限。作者公开数据集、训练后的ASR和TTS模型以及完整的数据构建流程。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org