Massive Arabic Speech Corpus (MASC)

本文介绍了大规模阿拉伯语语音语料库 (MASC) 的创建。MASC是一个数据集，包含以16 kHz采样的1,000小时语音，并从700多个YouTube频道中抓取。该数据集是多区域，多流派和多方言的，旨在促进阿拉伯语语音技术的研究和开发，特别强调阿拉伯语语音识别。除了MASC之外，还开发了预训练的3-gram语言模型和预训练的自动语音识别模型，并将其提供给感兴趣的研究人员。为了增强语言模型，需要新的和包容性的阿拉伯语语音语料库，因此，还创建并发布了最初从Twitter抓取的12 m独特阿拉伯语单词的数据集。

AI搜集汇总

背景与挑战

背景概述

Massive Arabic Speech Corpus (MASC) 是一个大规模阿拉伯语语音数据集，包含1,000小时从700多个YouTube频道抓取的16kHz采样语音，具有多区域、多流派和多方言的特点，专门用于支持阿拉伯语语音识别等语音技术的研究与开发。该数据集还附带预训练的3-gram语言模型和自动语音识别模型，并额外提供了一个从Twitter抓取的12百万独特阿拉伯语单词的文本数据集，以增强语言模型的训练效果。