Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.10827

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2507.10827 (cs)
[提交于 2025年7月14日 (v1) ,最后修订 2025年7月20日 (此版本, v2)]

标题: 使用自动语音识别支持SENCOTEN语言文档工作

标题: Supporting SENCOTEN Language Documentation Efforts with Automatic Speech Recognition

Authors:Mengzhe Geng, Patrick Littell, Aidan Pine, PENÁĆ, Marc Tessier, Roland Kuhn
摘要: 塞恩科滕语是在加拿大温哥华岛南部的萨尼奇半岛上使用的语言,目前正面临着激烈的语言复兴努力,以扭转由于殖民语言政策导致的语言流失。为了支持这些实地的努力,社区正在转向数字技术。自动语音识别(ASR)技术在加速语言记录和教育资料的创建方面具有巨大潜力。然而,由于数据有限以及由于其多合成结构和重音驱动的元音变化而导致的显著词汇差异,为塞恩科滕语开发ASR系统具有挑战性。为了解决这些挑战,我们提出了一种基于ASR的文档流程,利用文本到语音(TTS)系统生成的增强语音数据,并结合语音基础模型(SFMs)进行跨语言迁移学习。通过浅层融合或n最佳恢复,还集成了一个n-gram语言模型,以最大限度地利用可用数据。在塞恩科滕数据集上的实验显示,在测试集上词错误率(WER)为19.34%,字符错误率(CER)为5.09%,其中未见词的比例为57.02%。在过滤掉少量软音符相关的错误后,WER提高到14.32%(未见词为26.48%),CER提高到3.45%,这表明我们的基于ASR的流程在支持塞恩科滕语文档方面具有潜力。
摘要: The SENCOTEN language, spoken on the Saanich peninsula of southern Vancouver Island, is in the midst of vigorous language revitalization efforts to turn the tide of language loss as a result of colonial language policies. To support these on-the-ground efforts, the community is turning to digital technology. Automatic Speech Recognition (ASR) technology holds great promise for accelerating language documentation and the creation of educational resources. However, developing ASR systems for SENCOTEN is challenging due to limited data and significant vocabulary variation from its polysynthetic structure and stress-driven metathesis. To address these challenges, we propose an ASR-driven documentation pipeline that leverages augmented speech data from a text-to-speech (TTS) system and cross-lingual transfer learning with Speech Foundation Models (SFMs). An n-gram language model is also incorporated via shallow fusion or n-best restoring to maximize the use of available data. Experiments on the SENCOTEN dataset show a word error rate (WER) of 19.34% and a character error rate (CER) of 5.09% on the test set with a 57.02% out-of-vocabulary (OOV) rate. After filtering minor cedilla-related errors, WER improves to 14.32% (26.48% on unseen words) and CER to 3.45%, demonstrating the potential of our ASR-driven pipeline to support SENCOTEN language documentation.
评论: 被ComputEL-8接受
主题: 声音 (cs.SD) ; 计算与语言 (cs.CL); 音频与语音处理 (eess.AS)
引用方式: arXiv:2507.10827 [cs.SD]
  (或者 arXiv:2507.10827v2 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.10827
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Mengzhe Geng [查看电子邮件]
[v1] 星期一, 2025 年 7 月 14 日 21:44:35 UTC (9,288 KB)
[v2] 星期日, 2025 年 7 月 20 日 14:35:26 UTC (9,288 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号