Automatic Speech recognition (ASR) is a complex and challenging task. In recent years, there have been significant advances in the area. In particular, for the Brazilian Portuguese (BP) language, there were about 376 hours public available for ASR task until the second half of 2020. With the release of new datasets in early 2021, this number increased to 574 hours. The existing resources, however, are composed of audios containing only read and prepared speech. There is a lack of datasets including spontaneous speech, which are essential in different ASR applications. This paper presents CORAA (Corpus of Annotated Audios) v1. with 290.77 hours, a publicly available dataset for ASR in BP containing validated pairs (audio-transcription). CORAA also contains European Portuguese audios (4.69 hours). We also present a public ASR model based on Wav2Vec 2.0 XLSR-53 and fine-tuned over CORAA. Our model achieved a Word Error Rate of 24.18% on CORAA test set and 20.08% on Common Voice test set. When measuring the Character Error Rate, we obtained 11.02% and 6.34% for CORAA and Common Voice, respectively. CORAA corpora were assembled to both improve ASR models in BP with phenomena from spontaneous speech and motivate young researchers to start their studies on ASR for Portuguese. All the corpora are publicly available at https://github.com/nilc-nlp/CORAA under the CC BY-NC-ND 4.0 license.


翻译:自动语音识别(ASR)是一项复杂而具有挑战性的任务。近年来,该地区取得了显著的进步。特别是巴西葡萄牙语(BP)语言,在2020年下半年之前,有大约376小时公众可以从事ASR任务。随着2021年初新数据集的发布,这一数字增加到574小时。但现有资源由仅包含阅读和准备发言的音频组成。缺少数据集,包括自发发言,这是不同ASR应用中必不可少的。本文展示了CORAA (附加音频集) v1. 290.77小时,BP中包含经验证配对的ASR公开数据集(audio-trancripation)。随着2021年初新数据集的发布,这一数字增加到574小时。我们还展示了以Wav2Vec 2.0 XLSR-53为基础的公共ASR模型。我们的模型在CRAA测试集中实现了24.18%的字性错误率,在通用语音测试组中实现了20.8%的CARA和CO-CO-CO-CO的208%。在测量调调调调调调调调调调调调调调时,我们用了CA/RARARARA/RA/RARARARA/RARA/RARARARARARA/RA/RARARA/RARARARARA/RA 和CRARARARARARARA/RARARARARARARARA 和CRARARARA 和CRARARA 和CRA 的通用调制调制调制调制调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调调时,我们调调调时,我们调调调调调调调调调调时,我们调调调调调调调调调调调调调调调调调调调调调调调调时,我们调调调调调调调调调调调调

1
下载
关闭预览

相关内容

语音识别是计算机科学和计算语言学的一个跨学科子领域,它发展了一些方法和技术,使计算机可以将口语识别和翻译成文本。 它也被称为自动语音识别(ASR),计算机语音识别或语音转文本(STT)。它整合了计算机科学,语言学和计算机工程领域的知识和研究。
专知会员服务
94+阅读 · 2021年8月28日
专知会员服务
28+阅读 · 2020年10月9日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
60+阅读 · 2020年3月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
pytorch中文语言模型bert预训练代码
AINLP
3+阅读 · 2020年7月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
NLP - 基于 BERT 的中文命名实体识别(NER)
AINLP
466+阅读 · 2019年2月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Imitation by Predicting Observations
Arxiv
4+阅读 · 2021年7月8日
CoQA: A Conversational Question Answering Challenge
Arxiv
7+阅读 · 2018年8月21日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员