A Survey on Spoken Italian Datasets and Corpora

要約

話し言葉データセットは、言語研究、自然言語処理、および音声技術を進めるために不可欠です。
ただし、言語的に豊かで多様なロマンス言語であるイタリア語に捧げられたリソースは、英語やマンダリンなどの主要な言語と比較して、露出度の低いままです。
この調査では、66の音声イタリアのデータセットの包括的な分析を提供し、その特性、方法論、およびアプリケーションを強調しています。
データセットは、音声の種類、ソース、コンテキスト、および人口統計学的および言語的特徴によって分類され、自動音声認識、感情検出、教育などのフィールドでの有用性に焦点を当てています。
データセットの作成と利用を強化するための推奨事項とともに、データセットの希少性、代表性、およびアクセシビリティに関連する課題について説明します。
完全なデータセットインベントリはGithubを介して公開され、Zenodoでアーカイブされ、研究者と開発者にとって貴重なリソースとして機能します。
現在のギャップに対処し、将来の方向性を提案することにより、この作業は、イタリアの音声技術と言語研究の進歩をサポートすることを目的としています。

要約(オリジナル)

Spoken language datasets are vital for advancing linguistic research, Natural Language Processing, and speech technology. However, resources dedicated to Italian, a linguistically rich and diverse Romance language, remain underexplored compared to major languages like English or Mandarin. This survey provides a comprehensive analysis of 66 spoken Italian datasets, highlighting their characteristics, methodologies, and applications. The datasets are categorized by speech type, source and context, and demographic and linguistic features, with a focus on their utility in fields such as Automatic Speech Recognition, emotion detection, and education. Challenges related to dataset scarcity, representativeness, and accessibility are discussed alongside recommendations for enhancing dataset creation and utilization. The full dataset inventory is publicly accessible via GitHub and archived on Zenodo, serving as a valuable resource for researchers and developers. By addressing current gaps and proposing future directions, this work aims to support the advancement of Italian speech technologies and linguistic research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google