افزودن لهجه‌های مصری و نیجریه‌ای به ارزیابی مدل‌های تشخیص گفتار

Open ASR Leaderboard اکنون گفتار انگلیسی با لهجه‌های مصری و نیجریه‌ای را هم ارزیابی می‌کند. Hugging Face می‌گوید این داده‌های خصوصی را با همکاری Liva AI اضافه کرده تا پوشش لهجه‌ها در ارزیابی سیستم‌های تشخیص خودکار گفتار (ASR) گسترده‌تر شود و اتکای بنچمارک به داده‌های در دسترس عموم کاهش یابد.

مجموعهٔ مصری ۱٫۳۴ ساعت و مجموعهٔ نیجریه‌ای ۱٫۵۵ ساعت داده دارد. هر دو شامل گفتار محاوره‌ای و خودجوش‌اند و متن‌نگاری آن‌ها نشانه‌گذاری و حروف بزرگ و کوچک را حفظ می‌کند؛ همچنین مکث‌ها و لغزش‌های گفتاری در متن آمده‌اند.

در بخش خصوصی جدول، نتایج از این پس هم بر اساس تفکیک آمریکا در برابر کشورهای دیگر ــ بریتانیا، استرالیا، کانادا، هند، نیجریه و مصر ــ و هم بر اساس دسته‌بندی Kachru گزارش می‌شود: کشورهای «حلقهٔ درونی» در برابر کشورهای «حلقهٔ بیرونی و در حال گسترش». Hugging Face می‌گوید با اضافه‌شدن لهجه‌های بیشتر، دو گروه اخیر را نیز جداگانه گزارش خواهد کرد.

این داده‌ها در ادامهٔ افزوده‌شدن مجموعه‌های خصوصی پیشین قرار می‌گیرند: ۱۱ بخش از Appen و DataOceanAI برای پنج لهجه و یک بخش انگلیسی با لهجهٔ هندی از Voice Arena. هدف اعلام‌شده، بهبود بازنمایی لهجه‌ها و افزایش اعتمادپذیری ارزیابی‌هاست.