Pseudo-Labeling for Domain-Agnostic Bangla Automatic Speech Recognition

要約

低リソース言語の自動音声認識 (ASR) を開発する際の大きな課題の 1 つは、ドメイン固有のバリエーションを持つラベル付きデータへのアクセスが制限されていることです。
この研究では、大規模なドメインに依存しない ASR データセットを開発するための擬似ラベル付けアプローチを提案します。
提案された方法論を使用して、さまざまなトピック、話し方、方言、騒がしい環境、会話シナリオをカバーする 20,000 時間以上のラベル付きバングラ語音声データセットを開発しました。
次に、開発したコーパスを利用して、配座異性体ベースの ASR システムを設計しました。
トレーニングされた ASR を公開されているデータセットでベンチマークし、他の利用可能なモデルと比較しました。
有効性を調査するために、ニュース、電話、会話データなどから構成される、人間による注釈が付けられたドメインに依存しないテスト セットを設計および開発しました。
私たちの結果は、設計されたテストセットの擬似ラベル データと公的に入手可能なバングラ データセットでトレーニングされたモデルの有効性を示しています。
実験リソースは一般に公開されます。(https://github.com/hishab-nlp/Pseudo-Labeling-for-Domain-Agnostic-Bangla-ASR)

要約(オリジナル)

One of the major challenges for developing automatic speech recognition (ASR) for low-resource languages is the limited access to labeled data with domain-specific variations. In this study, we propose a pseudo-labeling approach to develop a large-scale domain-agnostic ASR dataset. With the proposed methodology, we developed a 20k+ hours labeled Bangla speech dataset covering diverse topics, speaking styles, dialects, noisy environments, and conversational scenarios. We then exploited the developed corpus to design a conformer-based ASR system. We benchmarked the trained ASR with publicly available datasets and compared it with other available models. To investigate the efficacy, we designed and developed a human-annotated domain-agnostic test set composed of news, telephony, and conversational data among others. Our results demonstrate the efficacy of the model trained on psuedo-label data for the designed test-set along with publicly-available Bangla datasets. The experimental resources will be publicly available.(https://github.com/hishab-nlp/Pseudo-Labeling-for-Domain-Agnostic-Bangla-ASR)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google