Breeze Taigi: 台湾閩南語の音声認識と合成のベンチマークとモデル

要旨：台湾閩南語（Taigi）は、多様な言語的文脈へ一般化できる音声技術の方法論を前進させるための独自の機会を提示します。私たちは、Taigiの音声認識と音声合成システムを評価するための標準化ベンチマークを中心とした包括的なフレームワークであるBreeze Taigiを紹介します。私たちの主な貢献は、並行の台湾 Mandarin リソースを活用した再現性のある評価手法です。私たちは、台湾行政院の公的サービス告知から、正規化されたグラウンドトゥルース転写を備えた、30組の丹念に選定されたマンダリン-タイジ音声ペアを提供します。文字誤り率（CER）を標準指標として設定し、公正なクロスシステム比較を可能にする正規化手順を実装します。ベンチマークの有用性を示し、参照実装を提供するために、既存の台湾 Mandarin リソースと大規模な合成データ生成を活用した手法を通じて、音声認識および音声合成モデルを開発します。特に、約10,000時間のTaigi合成音声データを用いてWhisperモデルをファインチューニングします。私たちのASRモデルは、ベンチマークに対して平均CERを30.13%に達成し、既存の商用および研究システムを上回ります。標準化された評価プロトコル、多様な訓練データセット、およびオープンなベースラインモデルを提供することにより、さまざまな言語的文脈に適用可能な方法論を備えた再現可能なフレームワークを提供します。