Abjad-Kids：初等教育向けのアラビア語音声分類データセット

要旨: 音声ベースのAIによる教育アプリケーションは、近年とくに子ども向けに大きな関心を集めてきました。しかし、子どもの音声研究は、公に利用可能なデータセットが不足していること、とりわけアラビア語のような低資源言語においては、そのために依然として限られています。本論文では、幼稚園および初等教育を対象としたアラビア語音声データセット「Abjad-Kids」を提案します。ここでは、アルファベット、数、色の基本的な学習に焦点を当てています。本データセットは、3〜12歳の子どもから収集した46397個の音声サンプルで構成され、141クラスをカバーしています。すべてのサンプルは、長さ、サンプリング周波数、形式の一貫性を確実にするために、制御された仕様のもとで収録されました。アラビア語の音素間に高いクラス内類似性が存在すること、また各クラスあたりのサンプル数が限られていることに対処するために、CNN-LSTMアーキテクチャに基づく階層的音声分類を提案します。提案手法では、アルファベット認識を2段階のプロセスに分解します。すなわち、最初にグルーピング分類モデルを行い、その後に各グループに特化した分類器を用いるという流れです。グルーピングの方策としては、静的な言語学的にもとづくグルーピングと、動的なクラスタリングにもとづくグルーピングの2つの戦略を評価しました。実験結果は、静的な言語学的にもとづくグルーピングがより高い性能を達成することを示しています。伝統的な機械学習と深層学習のアプローチとの比較により、データ拡張と組み合わせたCNN-LSTMモデルの有効性が明らかになります。有望な結果を得たものの、ほとんどの実験において過学習が課題として示されています。これは、データ拡張やモデルの正則化を行ったとしても、サンプル数が限られていることが原因である可能性が高いです。したがって、今後の研究ではこの問題に対処するために追加データの収集に焦点を当てることが考えられます。Abjad-Kidsは公開されます。私たちは、Abjad-Kidsが子どもの音声データセットにおける表現を豊かにし、子どものためのアラビア語音声分類に関する今後の研究の良いリソースとなることを願っています。