google/xtreme_s

XTREME-S基准是一个旨在评估跨语言、任务、领域和数据制度的语音表示的基准。它涵盖了来自10多个语系的102种语言，涉及3个不同领域和4个任务家族：语音识别、翻译、分类和检索。XTREME-S是第一个既多样化又完全可访问且可复现的语音基准。所有数据集都可以通过一行代码下载，并提供了一个易于使用且灵活的微调脚本。The XTREME-S benchmark is a framework designed to evaluate speech representations across languages, tasks, domains, and data regimes. It covers 102 languages from over 10 language families, encompassing 3 distinct domains and 4 task families: speech recognition, translation, classification, and retrieval. XTREME-S is the first speech benchmark that is both highly diverse, fully accessible, and reproducible. All datasets can be downloaded with a single line of code, and an easy-to-use and flexible fine-tuning script is provided.

原始信息汇总

XTREME-S 数据集概述

数据集基本信息

• 名称: XTREME-S
• 描述: XTREME-S 是一个跨语言语音表示评估的多语言编码器基准，旨在评估不同语言、任务、领域和数据体制下的语音表示。该基准覆盖了来自10多个语系的102种语言，涉及3个不同的领域和4个任务家族：语音识别、翻译、分类和检索。
• 语言: 包含多种语言，如非洲语、阿姆哈拉语、阿拉伯语等102种语言。
• 许可: CC-BY-4.0
• 多语言性: 多语言
• 大小: 10K<n<100K
• 源数据集: 包括multilingual_librispeech、covost2等。
• 任务类别: 自动语音识别、语音处理
• 任务ID: 语音识别

数据集结构

• 数据集组成: 包括FLEURS、Multilingual Librispeech (MLS)、Voxpopuli、Minds14、Covost2和BABEL等子数据集。
• 数据集用途: 用于评估语音识别、翻译、分类和检索等任务。

数据集创建

• 数据集来源: 数据集由多个子数据集组成，每个子数据集都有其特定的创建过程和来源。
• 数据集创建目的: 旨在推动全球范围内更多语言的语音技术发展，提供平等的技术访问，如语音识别或语音翻译。

使用数据集的考虑

• 社会影响: 该数据集旨在促进全球范围内更多语言的语音技术发展，提供平等的技术访问。
• 偏见讨论: 虽然覆盖了多种语言，但仍有一些重要语言未被包括。
• 其他已知限制: 该基准主要关注阅读语音，可能与更嘈杂环境下的实际性能存在差异。

附加信息

• 许可证: 所有数据集均根据Creative Commons许可证(CC-BY)授权。
• 引用信息: 提供了XTREME-S及其子数据集的引用信息。