Speak & Improve Corpus 2025: an L2 English Speech Corpus for Language Assessment and Feedback

要約

Speak \& Improvement コーパス 2025 を紹介します。これは、Speak \& Improvement 学習プラットフォーム https://speakandimprove.com での公開 (自発的) スピーキング テストから収集された、全体的なスコアと言語エラーの注釈を備えた L2 学習者の英語データのデータセットです。
コーパスのリリースの目的は、L2 音声言語処理システムの開発における大きな課題、つまり高品質の注釈を備えた公的に利用可能なデータの不足に対処することです。
ELiT Web サイトで非営利目的で利用可能です。
このコーパスを設計する際、私たちは、手動の注釈を提供するだけでなく、L1 からスピーキング能力に至るまで、幅広い話者の属性をカバーできるように努めました。
これにより、スピーキングの熟練度を評価したり、学習者の発話における文法上の誤りについてフィードバックを提供したりするなど、さまざまな言語学習タスクを調べることができます。
さらに、このデータは、リソースの少ない L2 学習者の英語の自動音声認識 (ASR)、流暢さの検出、または音声文法的誤りの修正 (GEC) など、これらのタスクに必要な基礎となるテクノロジーの研究をサポートします。
このコーパスは、全体的なスコアを備えた約 340 時間の L2 英語学習者用音声と、転写とエラー ラベルが注釈付けされた音声のサブセットで構成されています。

要約(オリジナル)

We introduce the Speak \& Improve Corpus 2025, a dataset of L2 learner English data with holistic scores and language error annotation, collected from open (spontaneous) speaking tests on the Speak \& Improve learning platform https://speakandimprove.com . The aim of the corpus release is to address a major challenge to developing L2 spoken language processing systems, the lack of publicly available data with high-quality annotations. It is being made available for non-commercial use on the ELiT website. In designing this corpus we have sought to make it cover a wide-range of speaker attributes, from their L1 to their speaking ability, as well as providing manual annotations. This enables a range of language-learning tasks to be examined, such as assessing speaking proficiency or providing feedback on grammatical errors in a learner’s speech. Additionally, the data supports research into the underlying technology required for these tasks including automatic speech recognition (ASR) of low resource L2 learner English, disfluency detection or spoken grammatical error correction (GEC). The corpus consists of around 340 hours of L2 English learners audio with holistic scores, and a subset of audio annotated with transcriptions and error labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google