MediaSpeech: معيار وقاعدة بيانات لتقنيات التعرف على الكلام متعدد اللغات

تُعرف أداء أنظمة التعرف التلقائي على الكلام (ASR) بأنه يختلف بين المجالات التطبيقيّة المتنوعة. وفي الوقت ذاته، يُقدّم المورّدون ومجموعات البحث عادةً نتائج جودة أنظمة ASR إما في مجالات محدودة وبسيطة (مثل الكتب الصوتية، ومحاضرات TED)، أو باستخدام مجموعات بيانات خاصة. ولسد هذه الفجوة، نقدّم مجموعة بيانات مفتوحة المصدر لتقييم أنظمة ASR مدتها 10 ساعات، تُسمى NTR MediaSpeech، تشمل أربع لغات: الإسبانية، والفرنسية، والتركية، والعربية. وقد جُمعت هذه المجموعة من القنوات الرسمية على يوتيوب للوسائط الإعلامية التي تُستخدم في كل لغة، وتم ترجمتها يدويًا. ونقدّر أن معدل الخطأ في الكلام (WER) في هذه المجموعة يقل عن 5%. وقد قمنا بإجراء مقارنة معيارية (Benchmarking) لأنظمة ASR المتاحة تجاريًا ومجانية، ونُشرت نتائج هذه المقارنة. كما نُفصح عن نماذج أساسية (Baseline) من نوع QuartzNet لكل لغة، بشكل مفتوح المصدر.