Newest papers

Monsoon: Scalable Spontaneous Speech Collection for Low-Resource ASR in 50 Languages

Shobhit Banga, Manas Dhir, Aaditya Pareek, Amritansh Walecha, Bhaskar Singh, Hanuman Sidh, Manmeet Kaur, Sagar Jain · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26776 · open-access PDF

Arabic

بالنسبة للعديد من اللغات، يتم الحد من التعرف على الكلام الذاتي (ASR) بشكل أقل عن الحد من تصميم النماذج من خلال عدم وجود تقارير عن الكلام الذاتي المزمن. نحن نقدم نموذج Monsoon لتجميع هذه البيانات على نطاق واسع. فإنه يسبب التحدثات غير المزمنة بين المشاركين المتواجدين، وتسجيلات الشاشة مع المختصين الذاتيين، وتصحيح التقارير على خمسة مستويات من مراجعة الإنسان، وتحديد أجزاء لتغطية القصص واللغات الصوتية. وقد تم جمع الكلام في 50 لغة، ونحن نختار سبعة منشآت من 3500 ساعة. في حجم متساوٍ، تراجع مراحل الجودة في معدل أخطاء الكلمة السليمة (W

Machine translation (Meta M2M100); the English original follows.

Abstract

For most languages, automatic speech recognition (ASR) is limited less by model architecture than by a lack of accurately transcribed spontaneous speech. We present Monsoon, a framework for collecting such data at scale. It elicits unscripted conversations between paired contributors, screens recordings with automated classifiers, corrects transcripts over five levels of human review, and selects segments for lexical and acoustic coverage. It has collected speech in 50 languages; we analyse seven 3,500-hour corpora. At equal volume, its quality stages reduce semantic word error rate (WER) by 1

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange