IndicVoices：为印度语言构建一个包容性的多语言语音数据集
内容提要
印度有22种宪法认可语言，但语音数据稀缺。多项研究致力于构建印度语言资源：Vakyansh提供18种语言的语音识别工具包，IndicIRSuite为11种语言构建神经信息检索资源，IndicTrans2支持22种语言机器翻译，IndicNLG评估11种语言生成任务，SPRING-INX发布2000小时语音数据，Vistaar基准评估ASR系统，IndicWhisper微调改善识别效果。这些工作推动了印度语言技术发展。
延伸解读
印度语言语音数据的现状与挑战
印度有22种宪法认可语言，但语音数据稀缺，且需要适应不同语言和口音。这为构建基于语音的应用程序带来了困难。文章提到，SPRING-INX提供了2000小时合法获取和手动转录的语音数据，旨在鼓励社区开发ASR系统。此外，Vistaar基准评估了多个ASR系统，IndicWhisper通过微调在12种语言上改善了识别效果。这些努力共同推动了印度语言语音技术的发展。
多语言资源建设的协同推进
除了语音数据，印度语言技术在多方面取得进展。Vakyansh为18种语言提供语音识别工具包，IndicIRSuite为11种语言构建神经信息检索资源，IndicTrans2支持22种语言机器翻译，IndicNLG评估11种语言的生成任务。这些项目相互补充，覆盖了语音识别、信息检索、机器翻译和自然语言生成等关键领域，为印度语言多样性提供了广泛的技术支持。
数据多样性与模型性能提升
文章强调数据多样性的重要性。例如，孟加拉语公共语音数据集通过众包创建，具有更多说话人、音素和环境多样性，为未来研究设立基准。IndicIRSuite的实验显示，Indic-ColBERT在11种语言上的MRR@10平均改进47.47%，在MIRACL孟加拉语和印地语基线上NDCG@10平均改进12.26%。这些结果表明，针对特定语言和多样数据训练的模型能显著提升性能。
Q&A
印度有哪几种宪法认可的语言？
印度有22种宪法正式认可的语言。
Vakyansh是什么？它支持多少种印度语言？
Vakyansh是一个印度语言语音识别端到端工具包，通过自动数据流水线实现数据创建、训练和部署，提供了适应于18种印度语言的语音识别模型。
IndicIRSuite是什么？它覆盖了哪些印度语言？
IndicIRSuite是为11种广泛使用的印度语言（阿萨姆语、孟加拉语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、奥利亚语、旁遮普语、泰米尔语和特鲁古语）构建神经信息检索资源的工作，包括INDIC-MARCO数据集和Indic-ColBERT模型。
IndicTrans2支持多少种印度语言的机器翻译？
IndicTrans2旨在训练支持所有22种印度语言的机器翻译模型，并发布了BPCC和IndicTrans2等数据资源和模型。
SPRING-INX提供了多少小时的语音数据？
SPRING-INX提供了2000小时的合法获取和手动转录的语音数据，用于搭建ASR系统。
IndicWhisper在Vistaar基准上有什么效果？
IndicWhisper通过在12种印度语言上进行微调，在Vistaar基准中明显改善了考虑到的ASR系统。
