跳到正文
arXiv · NLP· Sangmin Lee, Yejin Jeon, David Ifeoluwa Adelani·· 2026-10-15AI 评分40

ELARSpeech:覆盖 675 种未代表语言的 30,202 小时大规模多语言语音数据集发布

ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies

AI 导读

研究团队发布 ELARSpeech,该数据集包含 675 种未代表语言的 30,202 小时语音,源自濒危语言档案库。 数据结合人工标注与无标签录音,实验显示其可支持将 ASR 和 TTS 能力扩展至这些语言,且对无标签数据进行伪标签能带来额外收益。 论文公开了数据集、所有训练好的 ASR 和 TTS 模型及完整的数据构建流程,旨在为长尾多语言语音技术提供资源和测试平台。

来源:arXiv · NLP · arxiv.org