The Edinburgh International Accents of English Corpus: Towards the Democratization of English ASR

要約

タイトル：The Edinburgh International Accents of English Corpus: Towards the Democratization of English ASR
要約：
– 英語は、世界で最も話されている言語であり、多くの場面で第1言語や第2言語として日々数百万人によって使用されています。
– そのため、様々な英語のバリエーションがあります。
– 過去数十年にわたり英語のASR技術は大幅に進歩しましたが、テストデータセットに基づいて報告される結果は、現在世界中で話されている英語の多様性を的確に反映していない場合があります。
– このため、Edinburgh International Accents of English Corpus (EdAcc)というデータセットが開発されました。
– これは、友人同士のダイアログ型ビデオ通話の約40時間に及ぶ様々な英語の第1言語や第2言語バリエーションを含むものであり、話者の言語背景プロフィールも含みます。
– 最新の公開モデルや商用モデルでの結果から、EdAccは現在の英語ASRモデルの欠点を明らかにしています。
– トレーニングデータとして68万時間の書き起こしデータを使用した最高のパフォーマンスモデルは、US English clean read speechで評価した場合の2.7%のWERに対して、平均19.7%のWERを示しました。
– 全ての記録、言語の背景、データ声明、および評価スクリプトは、CC-BY-SAライセンスの下でウェブサイトhttps://groups.inf.ed.ac.uk/edacc/で公開されています。

要約(オリジナル)

English is the most widely spoken language in the world, used daily by millions of people as a first or second language in many different contexts. As a result, there are many varieties of English. Although the great many advances in English automatic speech recognition (ASR) over the past decades, results are usually reported based on test datasets which fail to represent the diversity of English as spoken today around the globe. We present the first release of The Edinburgh International Accents of English Corpus (EdAcc). This dataset attempts to better represent the wide diversity of English, encompassing almost 40 hours of dyadic video call conversations between friends. Unlike other datasets, EdAcc includes a wide range of first and second-language varieties of English and a linguistic background profile of each speaker. Results on latest public, and commercial models show that EdAcc highlights shortcomings of current English ASR models. The best performing model, trained on 680 thousand hours of transcribed data, obtains an average of 19.7% word error rate (WER) — in contrast to the 2.7% WER obtained when evaluated on US English clean read speech. Across all models, we observe a drop in performance on Indian, Jamaican, and Nigerian English speakers. Recordings, linguistic backgrounds, data statement, and evaluation scripts are released on our website (https://groups.inf.ed.ac.uk/edacc/) under CC-BY-SA license.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI