发布ELARSpeech：675种语言的30,202小时语音数据集

Sangmin Lee、Yejin Jeon 与 David Ifeoluwa Adelani 在 arXiv 发布论文，公开 ELARSpeech 数据集：覆盖675种代表性不足语言、共30,202小时语音，素材整理自 Endangered Languages Archive，包含人工标注与未标注录音，涵盖多样的录音条件、领域和语系。 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。作者公开了数据集、训练后的ASR和TTS模型以及完整的数据构建流程。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。