17日前
MediaSpeech：多言語ASRベンチマークおよびデータセット
Rostislav Kolobov, Olga Okhapkina, Olga Omelchishina, Andrey Platunov, Roman Bedyakin, Vyacheslav Moshkin, Dmitry Menshikov, Nikolay Mikhaylovskiy
要約
自動音声認識（ASR）システムの性能は、さまざまな応用分野によって顕著に異なることが広く知られている。一方で、ベンダーおよび研究グループは、通常、限られた用途で単純なドメイン（例：オーディオブック、TEDトーク）や独自のデータセットに対してのみASR品質の結果を報告している。このギャップを埋めるために、本研究では、スペイン語、フランス語、トルコ語、アラビア語の4言語を対象としたオープンソースの10時間分のASRシステム評価データセット「NTR MediaSpeech」を提供する。このデータセットは、各言語のメディア機関の公式YouTubeチャンネルから収集され、手動で字幕化されている。我々は、このデータセットの誤字率（WER）が5％未満であると推定している。また、商業的およびフリーな利用が可能な多数のASRシステムについてベンチマークを実施し、その結果を公開している。さらに、各言語に対応するベースラインモデルとしてQuartzNetモデルもオープンソースで提供している。