少资源语言先补数据质量：LELD 用混合转写把捷克语等三语 ASR 做上去

英文题目：LELD : Un corpus de parole multilingue pour la reconnaissance automatique de la parole dans des langues européennes peu dotées

会议身份：conference:jep:2026:conference-paper-id:pettirossi26_jep

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#数据集 #数据集构建 #低资源 #多语言 #语音识别

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Amelia Pettirossi：机构信息未能从会议 PDF 纯文本可靠映射
• Inae Song：机构信息未能从会议 PDF 纯文本可靠映射
• Gabriele Chignoli：机构信息未能从会议 PDF 纯文本可靠映射
• Khalid Choukri：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文任务是将议会与机构录音转写为文字，输入为多说话人远场混响语音，输出为规范化正字法文本，难点在于捷克语、爱沙尼亚语与希腊语形态丰富且公开资源稀缺异构。方法链分四步推进：先从公共机构抓取原始音频并统一转码重采样，再用语音活动检测与说话人日志分割出可标注片段，接着以基线模型预转写加母语者人工校对建立高质量种子集，最后用正字纠错与语言等价规则半自动扩量并回训识别模型。相比直接复用Mozilla Common Voice与VoxPopuli，其差异在于把转写规范、跨标注一致性校验与评测归一化显式纳入流水线，使形态变体不再计为错误。在约5小时独立双标注测试集上，引入首批约100小时自建数据后归一化词错误率从基线大幅降至10%左右，最终1500小时全量训练后希腊语达到3.38%。该结论仅适用于机构演讲域内评测与归一化词错误率口径，尚未验证跨域泛化与外部基准可比性。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，为什么低资源语言特别难？

本文的输入是欧盟公开机构场景的长录音，包括议会辩论、委员会发言、市政会议和欧盟机构视听内容，目标是为捷克语、爱沙尼亚语和希腊语构建可用于训练和评估自动语音识别系统的语料。自动语音识别这个术语初学者可以白话理解为机器听声音写文字，英文是 Automatic Speech Recognition，缩写是 ASR，后文统一用 ASR。评估用词错误率，白话理解为机器写的词与人工参考相比错了多少，英文是 Word Error Rate，缩写是 WER，后文统一用 WER，它统计替换、插入和删除 3 类词级差异。

论文把捷克语、爱沙尼亚语和希腊语放在一起，不是随机选三语，而是覆盖斯拉夫、芬兰乌戈尔和希腊 3 个语系，分处东欧、北欧和南欧，用来检验同一套建库方法能否迁移到形态句法差异很大的语言。作者强调这些语言在欧洲语境中相对少资源，但并非零资源，已有 ParCzech、希腊播客语料和塔林理工爱沙尼亚语资源，只是体量、质量或一致性仍不足。

自动语音识别 × 词错误率： 自动语音识别负责把连续语音波形转成词序列，词错误率负责度量该序列与人工参考转写之间的 substitutions、insertions 和 suppressions 综合差距，二者搭配的理由是前者是待评系统、后者是统一标尺，组合意义在于所有数据改进都能换算成可比的错误率下降。

本解读的输入只有论文正文证据与本次收到的官方原图像素，不继承其他解读的评价。必须保留的信息包括每语总量与切分结构、3 阶段转写安排、验证阈值、归一化评估规则和分阶段 WER 数字。输出按学习依赖展开，先讲任务与路线，再讲方法全景与组件计算，然后讲构造与实验，最后讲结果、限制与复现动作。由于本次未发现来源绑定且完成验证的公开资源，不得声称代码、模型或数据已公开，只能按论文描述讲它计划开放和本次未能确认可达的状态。

已有公共语料为什么还不够，相关路线在比什么？

论文回顾的第一条路线是公共多语语料。Mozilla Common Voice 和 VoxPopuli 被广泛使用，但作者指出仅仅存在公共语料并不能保证各语言性能相当。论文特别说明 VoxPopuli 没有希腊语数据，因此在希腊语基线上只能用 Common Voice，这本身就造成语言间起点不一致。LELD 在收集时明确避开与 VoxPopuli 的重叠，以保证资源原创性，而不是把已有语料重新打包。

第二条路线是影响 WER 的数据因素研究。引用的综述把词汇与形态覆盖、发音变体、背景噪声、方言口音、录音条件以及说话人年龄性别和嗓音健康都列为可能因素。这意味着初学者不能把 WER 只看成模型好坏，它同时反映数据是否干净、是否覆盖真实变体。论文还引用人类转写一致性研究，说明两个人认真程度不同，人与人之间的 WER 也能差 1 到 6 个百分点，不同语言和语体下在 1.3% 到 9.6% 之间浮动，因此转写规范本身就是方法对象。

第三条路线是大模型在少资源语言上的表现。论文转述 Whisper 在 FLEURS 相同条件下的表现，英语约 5%，而捷克语、希腊语和爱沙尼亚语明显更高，用来说明大模型也不能自动抹平数据差距。相关工作比较的公平点在于同语料、同条件、同指标，论文后续自己的比较则强调训练数据逐批加入后的纵向变化，而不是跨论文直接比绝对值。教学例子是：同样是议会发言，带口音的快速插话和主席宣读的准备稿对识别难度完全不同，若只给平均 WER 而不说明语体构成，就无法判断改进来自哪里。

要解决的具体问题与研究问题是什么？

具体问题是欧洲官方语言中一部分语言缺乏高质量、文档完备、分布均衡且转写评估协议可复现的语音资源，导致 ASR 在这些语言上明显弱于英语等富资源语言。论文把原因定位在数据的可用性、质量和结构化程度，而非单纯算法不行，并提出两个研究问题。第一是如何设计可复现的大规模少资源语言建库方法，在质量与体量之间用混合转写取得平衡。第二是这些建库选择对 ASR 性能产生什么影响，用 WER 纵向跟踪回答。

需要区分论文直接报告和有限解释。直接报告的是加入 LELD 数据后 WER 大幅下降以及出现平台期后换策略继续下降。有限解释是作者认为这支持数据质量与结构起中心作用。未验证推测是把这种相关性直接说成因果，初学者应保留为可能或待验证，因为模型结构、训练超参数和测试集构成也可能同时影响结果，论文没有提供剥离这些因素的对照。

LELD 总体做了什么，一个样本走完全流程是什么样？

LELD 总体是数据为中心的方法，先统一收集与预处理音频，再用 3 阶段混合转写得到可训练文本，最后用语言学归一化的 WER 做评估。沿一个样本走一遍有助于建立全景。假设一段捷克市政会议长录音进入流水线，它先被转成 WAV 并重采样到 22050 赫兹，保证全库采样率 1 致。然后语音活动检测去掉长静音，说话人日志切出说话段。若得到一个 60 秒段，它进入小于 90 秒分支，先由基线模型给出草稿，再由母语者按指南改成规范转写。

若得到一个超过 90 秒的长段，它会被技术性重切为小于 40 秒的小段，留到后续阶段处理。最终该样本的文本与音频配对进入训练池，同时它的变体形式会被记入语言对应表，用于评估时不误罚。

下表要回答的比较问题是每语总量结构是否一致，公平条件是同为机构公开来源且遵守欧盟开放数据指令，指标方向是转写小时越多则可训练的有监督体量越大。表中总量、原始量和转写量来自原文同一句，来源类型来自相邻收集描述。

表后解释是三语在设计总量上完全对称，每语都是 4500 小时中一半以上为原始数据，仅 1500 小时为转写数据，主要收益是保证跨语言方法可比，主要代价是转写只占三分之一，后续必须靠半自动策略放大体量。未胜出项是原始 3000 小时在本文实验中并不直接贡献有监督训练增益，它的价值在于未来扩展，当前 WER 改进只能归因于 1500 小时转写部分。论文未报告三语在说话人数量、性别年龄分布上的均衡细节，这是复现时需要补的验证。

音频如何变整齐：格式、静音与切段做了什么？

预处理的第一步是格式统一。所有文件转为 WAV 并重采样到 22050 赫兹，目的是消除来源采样率不一带来的处理分支。论文说明操作用为本项目开发的 Python 脚本完成，并借助 Praat 软件。初学者可以把这一步理解为把不同录音笔的磁带统一成同一种磁带，后续工具只需处理一种输入。

第二步是找出语音并切段。语音活动检测这个术语白话是判断每一小帧有没有人声，英文是 Voice Activity Detection，论文使用 Silero 检测器。说话人日志白话是判断说话人何时换人并切开，英文是 diarization，论文使用 Landini 等人的算法。两者分工不同，前者去静音，后者切说话边界，搭配理由是议会录音包含长停顿、掌声和多人抢话，只有先保留语音再按人切，才能得到可转写的短句。

语音活动检测 × 说话人日志： 语音活动检测负责找出包含语音且不含长静音的片段，说话人日志负责在长录音内切分不同说话人的边界，二者搭配的理由是议会录音长且静音多，必须先去静音再按说话人切段，组合意义是得到长度可控、可直接送去转写的候选片段。

切段后按时长分流。小于 90 秒的段直接进入人工转写，第一阶段使用；大于 90 秒的段出于技术原因重切为小于 40 秒的段，留给后续阶段。论文没有给出静音阈值、最小语音长度和日志聚类参数的具体数值，也没有报告切段错误率，因此复现时只能先按工具默认行为实现，并把这部分记为缺项，不从工具名称推定具体实现。

第一阶段人工转写如何保证质量与可比？

第一阶段先用基线模型做预转写，再由母语者纠正。基线是 Transformer 架构神经网络，对三语都用了 Common Voice 训练，对捷克语和爱沙尼亚语还加了 VoxPopuli，因为后者无希腊语。预转写这个术语白话是机器先打草稿，英文可记为 pre-transcription；人工转写白话是母语者按指南改到规范，英文是 manual transcription。论文要求按共同转写指南执行，必要时适配各语言的本地文字、数字、标点、听不清和外语词写法，以保证跨语言一致且可复现。报告的处理速度是每小时语音需 4 至 8 小时人工，依语言和个人效率而定。

预转写 × 人工转写： 预转写由基线神经网络模型先给出草稿，人工转写由母语者按统一指南校正该草稿，二者搭配的理由是完全从零听写每小时需 4 至 8 小时，草稿可降低工作量，组合意义是在保持转写规范一致的同时加速首批高质量种子的积累。

质量控制用交叉验证的人际 WER。做法是按 95% 置信水平和 2% 误差幅度选最小代表性样本，让 2 名独立母语者在不知原转写者的情况下重审，若 2 人之间 WER 超过 2% 就调整指南并重新评估，最终三语人际 WER 都低于 2%。这一步的关键是它只验证第一和第二阶段，没有说第 3 阶段同样做双人重审。教学例子是数字写法，若指南规定数字展开写而有人写阿拉伯数字，就会在交叉验证中暴露为系统性替换，从而触发指南修订。

没有新模型结构时，三阶段如何把 1500 小时做出来？

本节对应论文中的构造与模型迭代过程，没有提出新 ASR 结构，因此必须明确没有训练新架构，实际计算是反复用新增转写数据重训已有 ASR 并跟踪 WER。第一阶段按约 100 小时一批转写，每批后重训 1 次并记录 WER，直到观察到提升趋平。第二阶段把剩余段用第一阶段训出的各语言最优模型重新预转写，再做针对性人工正字法校对，只改明显错误以节省人力。第 3 阶段分析 ASR 输出与人工转写之间的替换、插入和删除模式，把高频且语言学可接受的变体整理成规则，先经母语者验证再自动应用，避免过纠正和污染。

以下导读针对本次实际收到像素的图 1，它展示每语 1500 小时转写量按 3 阶段的堆叠构成，是理解体量主要来自何处的关键证据，横轴为语言，纵轴为小时数，颜色区分 3 阶段类型。

看图路径： 1. 先看横轴三种语言与纵轴小时堆叠总量是否均为 1500 小时量级；2. 再自下而上区分蓝色人工段、黄色正字法校对段与绿色半自动段的相对高度；3. 对比希腊语蓝色段约 303 小时与黄色段约 84 小时的比例与其他两语的差异；4. 确认绿色半自动段在三语中均为最大块，理解体量主要来自第三阶段

论文图 1。原论文 Figure 1：“Répartition des 1500 heures de données transcrites par langue selon le type de”。

从像素可见三根柱子总高度相近，均对应约 1500 小时，底部蓝色为第一阶段人工转写，爱沙尼亚语标注 294.71，希腊语 303.02，捷克语 254.4；中部黄色为第二阶段正字法校对，数值分别为 146.5、84.85 和 156.08；顶部绿色为第 3 阶段半自动校正，数值分别为 1058.79、1112.13 和 1089.52。解释是人工高成本部分只占约 250 至 300 小时，第二阶段不足 160 小时，超过 3 分之二体量来自第 3 个阶段，这与论文先用小批量高质量数据打底、再用半自动放大体量的叙述一致。复现时应先复刻第一阶段的小批量高质量种子，再实现规则验证流程，不应直接把全部音频当人工转写处理。

用什么数据、什么指标、什么条件测改进？

训练起点是公共语料基线，评估终点是加入 LELD 后的各阶段模型。测试集是每语约 5 小时的独立语料，高精度转写并经双人标注验证，与训练集分离。论文在每批约 100 小时加入后都测 1 次，因此能看到纵向曲线而非单点对比。指标是归一化 WER，计算前去大小写和标点，规范缩写形式，排除不可理解段，并应用语言对应表把可接受变体视为等价。

语言学归一化 × 标准化词错误率： 语言学归一化负责把被母语者判定为等价的拼写、形态或空格变体映射为同一形式，标准化词错误率负责在去大小写、去标点并应用该映射后计算错误，二者搭配的理由是捷克语等语言形态丰富，直接计分会误罚正确变体，组合意义是让评估更接近真实信息损失并实现跨语言可比。

语言对应表的例子有助于理解。希腊语因历史上的纯正语与民间语并存，同一词可能有两种都被接受的拼写；爱沙尼亚语某些词连写或分写都不改变意义。若不做映射，这些都会被计为替换错误。论文的做法是系统分析替换后为每语建立等价映射，并经母语者验证，再用于转写归一化和 WER 计算。

硬件、优化器、学习率和训练轮数等预算细节在证据中未报告，不能从 Transformer 名称推定实现，这是明确缺项。数据划分的说话人不重叠情况也未交代，复现时需自行记录以防泄漏。

加了 LELD 数据后错误率降了多少，条件可比吗？

下表要回答的核心问题是 LELD 训练后的最终水平是否显著优于大模型在同类多语测试上的起点，公平条件需要说明两者测试集并不相同，因此只能看差距量级而非直接相减，指标方向是 WER 越低越好，测试条件是每语约 5 小时独立双标注测试。表中 Whisper 数字来自 FLEURS 同条件评估的转述，LELD 最终数字来自本文独立测试集的报告。

表后解释是主要收益非常明显，第一批约 100 小时 LELD 数据就让 WER 相对基线下降 52% 至 72%，最终三语都进入 6% 以内并进一步到 3% 至 5% 区间。具体代价是两处测试集不同，不能把 13% 减 5.54% 当成同一任务的提升幅度，只能说 LELD 方法把原本落后的语言带到可用区间。未胜出项是论文表格中第一阶段第四批只有希腊语有 6.72% 的记录，捷克语和爱沙尼亚语记为缺失，说明并非每语都有四批完整人工增量，后续增益主要靠 1200 小时量级的半自动数据。英语 5% 的参考值在表中未列为比较对象，因为它不是本文可运行策略，仅作为背景。

平台期出现在哪里，换策略为什么能继续下降？

论文报告的纵向过程是先快后平再启动。第二批约 100 小时后仍有温和增益，到第三批时三语都趋于稳定，W E R 低于 7% 后出现平台。此时若继续加同类人工转写，预期收益已小。论文的应对是切换到约 1200 小时的半自动数据，组合预转写、针对性人工正字法校对和基于可接受替换分析的半自动校正，最终把捷克语带到 5.54%，爱沙尼亚语到 4.40%，希腊语到 3.38%。

机制上可以这样理解。早期人工数据纠正了基线的大量系统性错误，因此第一批下降最陡；当剩余错误多为拼写变体、形态选择和空格习惯时，继续逐字听写性价比低，而把母语者精力集中在验证等价规则上，能 1 次性处理大批量重复模式。论文还引用删除错误比替换和插入更有害的研究，提示并非所有错误都值得同等用力，但本文没有给出 3 类错误各自的消融数字，因此不能断言哪类规则贡献最大。另一个边界是希腊语多做了一批人工增量才到 6.72%，说明平台出现时机因语言而异，不应把三批当成固定阈值。

哪些结论站得住，哪些还缺证据？

站得住的是在本文测试条件下，专门构建的 LELD 转写数据能大幅降低基线 WER，且在平台期后用受控半自动数据仍能继续改进，最终三语都达到较低水平。人际 WER 低于 2% 和双标注测试集支持了评估的可信度，语言归一化减少了形态变体带来的误罚。

缺证据的有 4 类。第一是统计显著性与方差，论文只给平均 WER，没有置信区间和多次运行波动，总体趋势不等于每批都显著。第二是成本与延迟，人工每小时 4 至 8 小时的耗时有报告，但 GPU 训练时长、推理延迟和半自动规则的人力审核量未量化，不能承诺成本同样下降。第三是泛化边界，数据来自机构演讲，以准备稿和半准备稿为主，虽含插话和短轮次，但与日常对话、电话和强噪声场景仍有距离，未评测这些条件。

第四是资源可达性，本次未发现完成验证的公开链接，只能说论文声称项目结束后开放扩散，不能写当前可用。把相关性说成因果也需谨慎，论文显示数据改进伴随性能改进，但未控制模型和超参数完全不变的严格消融，因此更准确的表述是结果支持数据中心解释，而非证明算法无关。

要复现这套流程，先做什么、记什么？

复现先做来源与合规清单。按论文只收欧盟委员会、国家议会和市政会议等机构公开来源，用自研爬虫或机构 FTP 获取，并记录开放数据指令依据与各来源占比，同时检查并排除与 VoxPopuli 的重叠，保留去重日志。若做中文教学复刻，可用本地公开会议录音替代，但必须单独注明来源已换，不沿用原文数字。

再做预处理与切分。统一转 WAV 并重采样到 22050 赫兹，跑语音活动检测去长静音，跑说话人日志切段，小于 90 秒进人工分支，大于 90 秒重切为小于 40 秒后留后。记录工具版本与参数，论文未给阈值时用默认值并写明缺项。转写时先准备共同指南并适配本地文字、数字和标点，基线先用 Common Voice 等公共语料训练 Transformer 得到草稿，再由母语者按约 100 小时一批校正，每批重训并在约 5 小时独立双标注测试上测归一化 WER。

达到平台后再转入正字法针对校对和母语者验证的半自动规则，规则未经验证不得全量应用。评估前必须实现去大小写、去标点、缩写规范、排除不可理解段和等价映射 5 步，并在报告中说明映射表版本，否则跨语言数字不可比。

何时值得尝试这种方法，核心判断是什么？

当目标语言已有一定公共语料但 ASR 仍明显落后，且有稳定来源的机构长语音可用时，值得尝试这套先小批量人工打底、再半自动放量的方法。它的适用条件是能找到母语者做指南制定、交叉验证和规则审核，能承担首批每语约 250 至 300 小时人工转写的成本，并能接受测试集以机构语体为主的局限。若没有母语者或只有零散短语音，则不应照搬，因为质量控制和切分假设都会失效。

以数据为中心 × 混合转写： 以数据为中心指把主要精力放在语料收集、切分、转写和评估规范上而非改模型结构，混合转写指按阶段组合完全人工转写、针对性正字法校对和半自动规则校正，二者搭配的理由是低资源语言瓶颈在数据质量与体量平衡，组合意义是用可复现的流程同时解决基准质量和规模扩展问题。

核心判断是把性能差距主要归因于数据的可用性、质量和结构，而不是先换更大模型。论文的最强证据是首批约 100 小时带来超过一半的相对下降，以及平台后靠约 1200 小时半自动数据把三语推到 5.54%、4.40% 和 3.38%。主要代价是全程依赖人工规范与验证，且关键训练预算和泛化测试缺失。后续最需要补的验证是在新语体上测 1 次不做归一化的原始 WER 与归一化 WER 对比，并公开切分、指南和映射表版本，才能让他人真正重放这条从长录音到低错误率的路径。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 jep-2026 论文汇总