新加坡科技研究局信息通信研究院 发布 Multitask National Speech Corpus (MNSC) 数据集, 应用在 自然语言处理、语音识别 领域

新加坡科技研究局信息通信研究院 本次发布的数据集 Multitask National Speech Corpus (MNSC), Multitask National Speech Corpus (MNSC) 是由新加坡科技研究局信息通信研究院开发的一个大规模口语新加坡英语语料库，旨在支持多种任务，如自动语音识别、口语问答、口语对话摘要和副语言问答。该数据集包含约10,000小时的录音，涵盖了新加坡英语的多种口音和代码切换模式。数据集的创建过程包括元数据提取、现有语料库的清理以及使用大语言模型进行合成。所有测试集都经过人工注释以确保高质量和可靠性。该数据集的应用领域主要集中在多语言和代码切换的自然语言处理研究，旨在解决新加坡英语在语音技术中的独特挑战，如多语言特性、多样化的口音和复杂的句法结构。

查看Multitask National Speech Corpus (MNSC)

README 内容： 

关于 新加坡科技研究局信息通信研究院 , 新加坡科技研究局信息通信研究院是新加坡科技研究局下属的一个研究机构，专注于信息通信技术的研究与开发，旨在推动新加坡在信息通信领域的技术创新和应用。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。