Granary ist ein umfangreicher mehrsprachiger Sprachdatensatz, der 2025 vom standortübergreifenden Forschungsteam von NVIDIA veröffentlicht wurde. Die zugehörigen Ergebnisse des Papiers lauten:Granary: Datensatz zur Spracherkennung und -übersetzung in 25 europäischen Sprachen“, dessen Ziel es ist, hochwertige Schulungs- und Evaluierungsmaterialien für mehrsprachige ASR/AST-Modelle bereitzustellen. Dieser Datensatz enthält rund 1 Million Stunden hochwertige pseudo-gelabelte ASR-Sprachdaten aus 25 europäischen Sprachen (darunter 23 EU-Sprachen sowie Ukrainisch und Russisch). Die Daten stammen aus öffentlich zugänglichen Sprachkorpora und werden durch einen einheitlichen Pseudo-Labeling- und Qualitätsfilterprozess verarbeitet.

Zu den Sprachen gehören:

Bulgarisch, Tschechisch, Dänisch, Deutsch, Griechisch, Englisch, Spanisch, Estnisch, Finnisch, Französisch, Kroatisch, Ungarisch, Italienisch, Litauisch, Lettisch, Maltesisch, Niederländisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Schwedisch, Ukrainisch und Russisch.

Zitat

@misc{koluguri2025granaryspeechrecognitiontranslation, title={Granary: Datensatz für Spracherkennung und Übersetzung in 25 europäischen Sprachen}, Autor={Nithin Rao Koluguri und Monica Sekoyan und George Zelenfroynd und Sasha Meister und Shuoyang Ding und Sofia Kostandian und He Huang und Nikolay Karpov und Jagadeesh Balam und Vitaly Lavrukhin und Yifan Peng und Sara Papi und Marco Gaido und Alessio Brutti und Boris Ginsburg}, Jahr={2025}, eprint={2505.13404}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2505.13404}, }