ATCO2 corpus: A Large-Scale Dataset for Research on Automatic Speech Recognition and Natural Language Understanding of Air Traffic Control Communications

要約

パーソナル アシスタント、自動音声認識装置、対話理解システムは、相互接続されたデジタル世界においてますます重要になっています。
わかりやすい例は、航空交通管制 (ATC) 通信です。
ATC は、安全かつ最適な方法で航空機を誘導し、空域を制御することを目的としています。
これらの音声ベースの対話は、超高周波無線チャネルを介して航空管制官 (ATCO) とパイロットの間で行われます。
これらの新しいテクノロジーを ATC (低リソース領域) に組み込むには、データ駆動型 AI システムを開発するために大規模なアノテーション付きデータセットが必要です。
2 つの例としては、自動音声認識 (ASR) と自然言語理解 (NLU) があります。
この論文では、注釈付きデータの欠如により遅れをとっている、挑戦的な ATC 分野の研究を促進することを目的としたデータセットである ATCO2 コーパスを紹介します。
ATCO2 コーパスは、1) データ収集と前処理、2) 音声データの疑似注釈、3) ATC 関連の固有表現の抽出をカバーします。
ATCO2 コーパスは 3 つのサブセットに分割されています。
1) ATCO2 テストセット コーパスには、手動トランスクリプトを含む 4 時間の ATC 音声と、固有表現認識 (コールサイン、コマンド、値) のためのゴールド注釈が付いたサブセットが含まれています。
2) ATCO2-PL セット コーパスは、ドメイン内音声認識装置からの自動トランスクリプト、コンテキスト情報、話者ターン情報、信号対雑音比推定値、およびサンプルごとの英語検出スコアが強化された 5,281 時間のラベルなし ATC データで構成されています。
。
どちらも ELDA (http://catalog.elra.info/en-us/repository/browse/ELRA-S0484) から購入できます。
3) ATCO2-test-set-1h コーパスは、オリジナルのテスト セット コーパスからの 1 時間のサブセットであり、https://www.atco2.org/data で無料で提供されています。
私たちは、ATCO2 コーパスが ATC 通信の分野だけでなく一般の研究コミュニティにおいても堅牢な ASR と NLU に関する研究を促進することを期待しています。

要約(オリジナル)

Personal assistants, automatic speech recognizers and dialogue understanding systems are becoming more critical in our interconnected digital world. A clear example is air traffic control (ATC) communications. ATC aims at guiding aircraft and controlling the airspace in a safe and optimal manner. These voice-based dialogues are carried between an air traffic controller (ATCO) and pilots via very-high frequency radio channels. In order to incorporate these novel technologies into ATC (low-resource domain), large-scale annotated datasets are required to develop the data-driven AI systems. Two examples are automatic speech recognition (ASR) and natural language understanding (NLU). In this paper, we introduce the ATCO2 corpus, a dataset that aims at fostering research on the challenging ATC field, which has lagged behind due to lack of annotated data. The ATCO2 corpus covers 1) data collection and pre-processing, 2) pseudo-annotations of speech data, and 3) extraction of ATC-related named entities. The ATCO2 corpus is split into three subsets. 1) ATCO2-test-set corpus contains 4 hours of ATC speech with manual transcripts and a subset with gold annotations for named-entity recognition (callsign, command, value). 2) The ATCO2-PL-set corpus consists of 5281 hours of unlabeled ATC data enriched with automatic transcripts from an in-domain speech recognizer, contextual information, speaker turn information, signal-to-noise ratio estimate and English language detection score per sample. Both available for purchase through ELDA at http://catalog.elra.info/en-us/repository/browse/ELRA-S0484. 3) The ATCO2-test-set-1h corpus is a one-hour subset from the original test set corpus, that we are offering for free at https://www.atco2.org/data. We expect the ATCO2 corpus will foster research on robust ASR and NLU not only in the field of ATC communications but also in the general research community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google