AfriBED 发布：面向两种非洲低资源语言的语音识别偏见评测数据集
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究团队公开了 AfriBED，一个用于检测和估计 ASR 系统性别与说话人类型偏见的语音数据集，覆盖 Bemba 和 Nyanja 两种低资源非洲语言。Bemba 部分由 80 名说话人录制 3928 条语句、共 9 小时；Nyanja 部分由 127 名说话人录制 6260 条语句、约 18 小时。基线实验显示，该数据集能用于考察目标语言中的性别与说话人类型属性偏见。论文被 2026 IEEE Spoken Language Technology Workshop Demo Track 接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载数据集构成与规模
AfriBED 面向两种低资源非洲语言构建。Bemba 子集包含 3928 条语句，累计 9 小时语音，录制者为 80 名说话人；Nyanja 子集包含 6260 条语句，语音时长约 18 小时，录制者为 127 名说话人。两个子集在说话人数量与语句规模上并不对等，Nyanja 的语音时长约为 Bemba 的两倍。数据集的设计目标是为同一说话人属性下不同子群体提供可比较的语音样本，从而支撑偏见检测与估计。
要解决的偏见问题
论文指出，尽管 ASR 系统持续进步，现有系统仍存在说话人属性偏见：识别表现会因说话人的性别、口音、说话人类型等人口属性而出现差异。要准确评估某一 ASR 系统在特定属性上的偏见，前提是拥有覆盖该属性各子群体、且语音条件可比的评测数据。AfriBED 正是为填补这一空缺而构建，聚焦性别与说话人类型两类属性。
基线结果与发表情况
作者在目标语言上开展了基线实验，结果显示该数据集能够用于考察性别与说话人类型属性偏见。论文被 2026 IEEE Spoken Language Technology Workshop 的 Demo Track 接收，属于会议演示环节的工作，而非主会全文。材料未给出具体的偏见幅度数值，也未说明基线系统使用了哪些模型。
为什么值得看
低资源语言的 ASR 偏见评测长期缺少可比数据，该数据集给出了按说话人属性分组的语音与基线结果，可直接用于评测。
语音论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。