伊班语语音识别语料库(ASR-IbSC)

音视频
0 下载
27 浏览
2026-08-25

数据集简介

数据集概述

ASR-IbSC 是一个专为自动语音识别(ASR)实验设计的伊班语语音与文本数据集。伊班语是马来西亚砂拉越州使用的一种南岛语系语言,属于极度低资源语言。该数据集由 Sarah Samson Juan、Laurent Besacier、Solange Rossato、Benjamin Lecouteux 和 Mohamed Dyab 等研究人员构建,他们来自法国格勒诺布尔的 GETALP 实验室。

关于本资源

本资源包含适合 ASR 实验的伊班语文本和语音数据。除了转写的语音数据外,还提供了从在线报纸网站抓取的约 200 万词元(2M tokens)的文本语料。新闻数据由马来西亚砂拉越州的一家当地广播电台提供。

伊班语数据与 ASR 的相关出版物

该数据集与论文《Semi-supervised G2P bootstrapping and its application to ASR for a very under-resourced language: Iban》相关,该论文探讨了半监督的 G2P(字素到音素)引导方法及其在伊班语 ASR 中的应用。

语料库的原始来源

  • 文本语料:从在线报纸网站《The Borneo Post》抓取,约 200 万词元。
  • 新闻语音数据:由马来西亚砂拉越州的当地广播电台 Radio Televisyen Malaysia (RTM) 提供。

致谢

研究人员感谢《The Borneo Post》和 Radio Televisyen Malaysia (RTM) 提供的数据支持。

数据规模与格式

  • 总大小:913MB
  • 格式:包含语音文件(如 WAV)和文本标注文件,并提供了 Kaldi 配方(Kaldi recipe)以便于 ASR 实验。

许可与访问

该数据集采用知识共享署名-相同方式共享 2.0 通用(CC BY-SA 2.0)许可协议,允许共享和改编,但需署名并以相同方式共享。

基本信息

记录数量未知
文件大小913MB
文件格式未知
数据来源magichub
数据规模913MB
文本语料规模约 200 万词元
许可协议CC BY-SA 2.0
数据落地页https://magichub.com/datasets/iban-speech-corpora-for-asr/
伊班语语音识别ASR低资源语言语音语料库

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费