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

Russian

Для большинства языков автоматическое распознавание речи (ASR) менее ограничено архитектурой модели, чем отсутствием точно переписанной спонтанной речи. Мы представляем Monsoon, рамку для сбора таких данных в масштабе. Он вызывает нескриптованные разговоры между парами, экранные записи с автоматическими классификаторами, корректирует транскрипты на пяти уровнях человеческого обзора, а также подбирает сегменты для лексического и акустического охвата. Он собрал речь на 50 языках; мы анализируем семь 3,500-часовых корпусов. При равном объеме, его этапы качества снижают семантическую частоту ошибок слов (WER) на 1

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