韩语金融股票ASR混淆对数据集

自然语言
0 下载
2 浏览
2026-10-15

数据集简介

数据来源与构建动机

该数据集面向韩语金融/股票领域的 ASR 错误纠正任务,其混淆对并非人工编写,而是从韩国金融、股票类 YouTube 频道的自动字幕中实测统计得到。语料共覆盖 9,184 个视频、69 个频道、3,676.0 小时语音,平均每个视频 24.0 分钟。自动字幕中的误识别被整理为 wrong/right 配对,并记录观察频次,从而反映 ASR 在真实金融语境下实际出错的分布。

仓库内容与数据组织

仓库以文本模态组织数据,文件格式包括 json、csv 与 txt,主要文件与字段如下:

  • data/pairs.json:混淆对主表,字段含 wrong、right、observed_count、tier、category;
  • data/biasing-list.txt:可直接用作 ASR 偏置词表的文本列表;
  • data/withdrawn.json:记录被撤回的条目;
  • benchmark/eval-set.json:mini benchmark 的评测集。

每条混淆对除观察频次外,还附带验证元数据,包括 2-LLM 共识审计与三级晋升(tier)标记,便于按可信度分层使用。

ASR 实际出错频率

observed_count 字段直接给出每个混淆对在语料自动字幕中的出现次数,可用于估计 ASR 在金融/股票场景下把某个词误识别为另一词的实际频率。结合 tier 与 category,使用者可以按频次高低或类别筛选高价值混淆对,而不必依赖主观猜测。

作为 ASR 偏置词表使用

data/biasing-list.txt 将混淆对中的正确词形整理为纯文本列表,可直接作为 ASR 解码阶段的偏置词表(biasing vocabulary)加载,用于提升金融/股票专有名词的识别准确率。该列表与 pairs.json 中的 right 字段对应,便于按需重新生成或裁剪。

评测集与计分方式

配套 mini benchmark 的评测集为 1,193 条合成样本,不包含字幕原文。任务设定为:给定含 ASR 误识别的韩语金融句子,模型只修正误识别处,不改动其他内容。计分时对修正与过度修正合并计算,以约束模型在纠正错误的同时避免引入新的改动。

被撤回的条目

data/withdrawn.json 记录了从数据集中撤回的混淆对条目,供使用者核查数据版本变化与剔除原因,确保基于旧版本构建的词表或评测结果可追溯。

许可与获取方式

数据集采用 MIT 许可,并包含 LICENSE-DATA 数据许可,通过 GitHub 公开仓库提供下载,可自由用于研究与开发。

基本信息

记录数量未知
文件大小未知
文件格式JSON, CSV, TXT
数据来源woongstardev
许可协议MIT
数据模态文本
混淆对数量228 对
评测集规模1,193 条
数据落地页https://github.com/woongstardev/ko-finance-asr-corrections
发布日期2026-10-15
韩语ASR金融语音识别混淆对语音纠错偏置词表评测基准

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