阿拉伯语数据集

Casablanca

论文：https://anthropology/2024.emnlp-main.1211.pdf

优势：全人工标注（最大的全监督阿拉伯方言数据集）

• 时长：48h

• 方言：8种（ALG, EGY, JOR, MOR, UAE, PAL, MAU, YEM），8个标签

• Segmentation：全人工标注

• Transcription：全人工标注

• code-switching ：英文、法文（加音译）

QASR

论文：https://arxiv.org/abs/2106.13000

• 时长：2000h 新闻频道

• lightly supervised transcriptions（训练集中文本为转录的文本，不完全准确，并非人工标注）

• 采样率：16kHz

• 包含语言学驱动的分段（linguistically motivated segmentation）、标点符号（punctuation）、说话者信息（speaker information among others）