FLEURS-Kobani：北クルド語向けにFLEURSデータセットを拡張する

Abstract

FLEURSは100+言語向けのn-way並列音声を提供していますが、北クルド語はその対象に含まれていないため、この言語における自動音声認識と言語翻訳タスクのベンチマークが制限されています。そこで我々は、FLEURSベンチマークの北クルド語（ISO 639-3 KMR）話者による拡張であるFLEURS-Kobaniを提示します。FLEURS-Kobaniデータセットは検証済みの発話5,162件からなり、合計18時間24分です。データは31人の母語話者によって収録されました。これにより、資源が乏しいクルド語の変種に対するベンチマークのカバレッジが拡張されます。ベースラインとして、ASRにはWhisper v3-largeを微調整し、E2E S2TTにもE2EのS2TTを微調整しました。二段階の微調整戦略（Common VoiceからFLEURS-Kobaniへ）により、最良のASR性能が得られました（テストでWER 28.11、CER 9.84）。E2E S2TT（KMRからEN）では、Whisperはテストで8.68 BLEUを達成します。さらに、ピボットに由来するターゲットと、カスケード型のS2TT設定についても報告します。FLEURS-Kobaniは、ASR、S2TT、S2STタスクの評価のための最初の公開された北クルド語ベンチマークを提供します。データセットは、研究利用のためにCC BY 4.0ライセンスの下で公開されています。