孟加拉语电信客服语音数据集上线！1万对音频文本，WER仅2.54%，免费开源！
Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care
📖 AI 总结
该研究构建了一个面向电信客服场景的合成孟加拉语语音数据集，包含10,000条音频-文本对，总时长约26.82小时，采样率为24kHz，并划分了训练、验证和测试集。数据集以CC-BY-4.0许可在Hugging Face上公开。语音通过OmniVoice的语音克隆模式生成，基于真实女性参考录音和文本，采用bfloat16精度和16步扩散采样。除原始孟加拉语文本外，数据集还提供标准化转录字段，便于ASR/STT训练。评估方面，研究者使用领域适配的Whisper模型进行自动可懂度检查，平均词错误率为2.54%，字符错误率为0.59%，中位数均为0.00%，表明文本-音频一致性良好。该资源填补了孟加拉语电信领域语音数据的空白，但论文也讨论了合成语音和基于STT评估的局限性。
🔑 关键词速览
| OmniVoice | 一种语音合成模型，支持语音克隆模式，用于生成特定说话人的合成语音。 |
| Whisper ASR | OpenAI开发的自动语音识别模型，此处经过领域微调用于评估合成语音的可懂度。 |
| WER (Word Error Rate) | 词错误率，衡量语音识别输出与参考文本之间词级别差异的指标。 |
| CER (Character Error Rate) | 字符错误率，衡量语音识别输出与参考文本之间字符级别差异的指标。 |
| Voice Cloning | 语音克隆技术，通过参考录音复制特定说话人的声音特征来生成语音。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅