BriefGPT - AI 论文速递
·
IndicVoices：为印度语言构建一个包容性的多语言语音数据集
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
INDICVOICES数据集包含了来自16237名发言人的7348小时语音，涵盖了145个印度地区和22种语言。作者分享了数据收集的标准化协议、工具、问题、提示和对话场景库，以及质量控制机制和转录指南。利用INDICVOICES构建了IndicASR，是第一个支持22种语言的ASR模型。所有数据、工具、指南、模型和其他资料都将公开提供。
🎯
关键要点
- INDICVOICES数据集包含16237名发言人的7348小时语音。
- 数据集涵盖145个印度地区和22种语言。
- 提供了标准化的数据收集协议、工具、问题、提示和对话场景库。
- 设有质量控制机制和全面的转录指南。
- 构建了IndicASR，这是第一个支持22种语言的ASR模型。
- 所有数据、工具、指南、模型和其他资料将公开提供。
➡️
