Key points are not available for this paper at this time.
Die Entwicklung von Sprachtechnologie erfordert große Datenmengen, um die zugrunde liegenden Modelle zu schätzen. Selbst wenn auf große mehrsprachige vortrainierte Modelle zurückgegriffen wird, ist eine gewisse Menge an aufgabenspezifischen Daten in der Zielsprache erforderlich, um diese Modelle anzupassen und eine wettbewerbsfähige Leistung zu erzielen. In diesem Paper präsentieren wir einen zweisprachigen baskisch-spanischen Datensatz, der aus parlamentarischen Sitzungen extrahiert wurde. Der Datensatz ist zur Entwicklung und Bewertung automatischer Spracherkennungssysteme (ASR) konzipiert, kann jedoch leicht für andere sprachverarbeitende Aufgaben (wie Sprecher- oder Spracherkennung) umgewidmet werden. Das Paper vergleicht zunächst die beiden Zielsprache und hebt ihre Ähnlichkeiten auf akustisch-phonologischer Ebene hervor, was die Grundlage für den Datenaustausch und die Kompensation der relativ kleinen Menge an gesprochene Ressourcen für das Baskische bildet. Anschließend werden die Plenarsitzungen des baskischen Parlaments hinsichtlich Organisation, Themen, Redebeiträge und der Verwendung der beiden Sprachen charakterisiert. Das Paper beschreibt dann das Verfahren zur Datensammlung (das sowohl Sprache als auch Text beinhaltet), die Audioformate und -konvertierungen sowie die Erstellung und Nachbearbeitung von Texttranskriptionen und Sitzungsprotokollen. Danach wird das semi-supervised iterative Verfahren beschrieben, das verwendet wird, um die Trainingssegmente zu schneiden, zu bewerten und auszuwählen, sowie der Prozess der manuellen Überprüfung, der verwendet wird, um den Testdatensatz zu erstellen. Schließlich werden ASR-Experimente vorgestellt, die modernste Technologie nutzen, um den Datensatz zu validieren und einen Referenzpunkt für zukünftige Arbeiten zu setzen. Die Datensätze sowie Modelle und Rezepte zur Reproduktion der im Paper berichteten Experimente werden über Hugging Face freigegeben.
Varona et al. (Di,) haben diese Frage untersucht.