Speech data collection system for Kazakh language

2021

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.1109/icecco53203.2021.9663771
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Speech data in most of the languages that have a low resource doesn’t even exist. Therefore, producing speech corpora is very challenging and requires tremendous amount of time. Kazakh language due to its lack of popularity considered to be low-resource language. This paper provides an overview on many data collection techniques, marking some of the issues related to a particular method. The main aim of this paper is to present crowd sourcing web-based tool called “Kazakh recorder” which accessible on the website and designed to make the collection of Kazakh speech data more conveniently and quickly. Moreover, this section provides a statistics of people (age, gender, number of sentences) who made a contribution on collecting this speech data. Using this tool, we have collected over 50 hours of speech data 65 different native speakers, each having on average 500 sentences pronounced in Kazakh language.