Bilingual Words and Phrase Mappings for Marathi and Hindi SMT
Indian Institute of Technology (IIT) Bombay(印度理工学院孟买分校)
缺乏合适的语言资源是机器翻译系统在处理资源贫乏语言时面临的主要挑战。在本文中,我们描述了有效的方法来利用词汇资源,以提高质量的统计机器翻译。我们对词汇资源使用的研究主要集中在两个方面,如:增加平行语料库的词汇量和提供多样化的词形。我们增加了各种词汇资源,如词汇词,功能词,kridanta对和动词短语的训练语料库。我们已经描述了马拉地语到印地语和印地语到马拉地语机器翻译系统的案例研究、评估和详细的错误分析。从评估中我们观察到,随着各种词汇资源使用的增加,机器翻译的质量也在不断提高。此外,在平行语料库有限的情况下,使用各种词汇资源有助于提高机器翻译的覆盖率和质量。
2017-11-10 cs.CL
Auto Spell Suggestion for High Quality Speech Synthesis in Hindi
Banasthali Vidyapeeth(巴纳斯塔利大学)
在特定语言中,文本到语音(TTS)合成的目标是将任意输入文本转换为可理解且听起来自然的语音。然而,对于一个特定的语言,如印地语,这是一个高度混乱的语言(由于非常接近的拼写),这不是一件容易的任务,以确定输入文本中的错误/错误,不正确的文本降低输出语音的质量,因此本文是一个贡献的高品质的语音合成的发展与拼写检查的参与,自动生成拼写错误的单词的拼写建议。拼写检查器的参与将通过为不正确的输入文本提供拼写建议来提高语音合成的效率。此外,我们还提供了对比研究,以评估在输入文本上添加拼写检查器对语音文本的效果。
2014-02-15 cs.CL cs.SD
Improving the quality of Gujarati-Hindi Machine Translation through part-of-speech tagging and stemmer-assisted transliteration
Cummins College of Engineering for Women(卡明斯女子工程学院);Banasthali University(班纳斯塔利大学)
印度语言的机器翻译是一个新兴的研究领域。音译就是我们在设计翻译系统时设计的一个这样的模块。音译是指将源语言文本映射为目标语言。简单的映射降低了整个翻译系统的效率。我们建议使用词干和词性标注的音译。如果我们使用词性标记和词干辅助音译,翻译的有效性可以得到提高。我们已经表明,古吉拉特语的大部分内容在被翻译为印地语的过程中得到音译。
2013-07-12 cs.CL
Learning cross-lingual phonological and orthagraphic adaptations: a case study in improving neural machine translation between low-resource languages
MNNIT Allahabad(莫蒂拉尔·尼赫鲁国家理工学院阿拉哈巴德分校);IIT (BHU)(印度理工学院(贝纳拉斯印度教大学))
词汇表外(OOV)单词可能对机器翻译(MT)任务构成严重挑战,特别是对低资源语言(LRL)对,即,很少或没有平行语料库存在的语言对。我们的工作适应seq 2seq模型的变体来执行从印地语到Bhojpuri(LRL实例)的这些单词的转导,从印地语-Bhojpuri单词的双语词典中构建的一组同源对中学习。我们证明,我们的模型可以有效地用于语言对有限的平行语料库,我们的模型工作在字符水平上把握语音和正字法的相似性,跨多种类型的词适应,无论是共时或历时,借词或同源词。我们描述了几个字符级别的NMT系统,我们适应这项任务的培训方面,并描述其典型的错误。我们的方法在Hindi到Bhojpuri翻译任务上将BLEU分数提高了6.3。此外,我们表明,这种转换可以推广到其他语言成功地将其应用到印地语-孟加拉语同源对。我们的工作可以被看作是一个重要的步骤,在这个过程中:(i)解决机器翻译任务中出现的OOV单词问题,(ii)为资源受限的语言创建有效的并行语料库,以及(iii)利用增强的语义知识捕获的单词级嵌入执行字符级任务。
2019-07-22 cs.CL
Modeling Romanized Hindi and Bengali: Dataset Creation and Multilingual LLM Integration
Department of EECS, Embry-Riddle Aeronautical University, Daytona Beach, FL, USA(电子工程与科学系,埃姆布里-里德尔航空大学,日落海滩,佛罗里达州,美国);NLP Engineering Team, Hishab Singapore Pte. Ltd, Singapore(自然语言处理工程团队,Hishab新加坡私人有限公司,新加坡);Department of Computer Information Systems, Texas A&M University - Central Texas, Texas, USA(计算机信息系统系,德克萨斯A&M大学-中央德克萨斯分校,德克萨斯州,美国)
本文提出了一种新的转写数据集和定制多语言模型,用于提高罗马化印地语和孟加拉语的转写效果。
2025-11-27 cs.CL
Quantifying Phonosemantic Iconicity Distributionally in 6 Languages
Cognitive Science, UC Berkeley(加州大学伯克利分校认知科学系);Data Science, UW Madison(威斯康星大学麦迪逊分校数据科学系)
本研究采用分布化方法对6种语言的音义象似性做大规模量化,既发现了未被报道的音义对齐与跨语言模式,也验证了既有假设的音义对齐,部分得到支持、部分结果混杂。
2025-10-28 cs.CL
Selective Augmentation: Improving Universal Automatic Phonetic Transcription via G2P Bootstrapping
Fraunhofer Institute IAIS(弗劳恩霍夫研究所IAIS);University of Bonn(波恩大学)
本文提出选择性增强方法,通过语言间差异转移提升语音转录准确性,引入爆破音气声识别,提升转录精度并减少混淆。
2026-04-29 cs.CL cs.LG
Phonetic and Visual Priors for Decipherment of Informal Romanization
Carnegie Mellon University(卡内基梅隆大学);University of California, San Diego(加州大学圣迭戈分校)
非正式罗马化(英语:Informal Romanization)是人类在非正式数字通信中使用的一种特殊过程,用于将非拉丁字母语言编码为常见键盘上的拉丁字符集。字符替换的选择在用户之间是不同的,但是已经被证明是由在各种语言中观察到的相同的主要原则所支配的-即,字符对通常通过语音或视觉相似性来关联。我们提出了一个噪声通道WFST级联模型,用于以无监督的方式从观察到的罗马化文本中破译原始的非拉丁字母。我们直接在两种语言的罗马化数据上训练我们的模型:埃及语、阿拉伯语和俄语。我们证明,通过语音和视觉先验的字符映射添加归纳偏见,大大提高了模型在两种语言上的性能,产生的结果更接近监督的天际线。最后,我们介绍了一个新的数据集的罗马化俄罗斯,从俄罗斯的社交网络网站收集和部分注释我们的实验。
2020-05-05 cs.CL
Figurative Justice: Detecting metaphors in Hindi judgements with qualitative assessment and transformers
DigiTS, University of Tartu(塔尔图大学 DigiTS);The West Bengal National University of Juridical Sciences (NUJS)(西孟加拉邦国家司法科学大学);School of Languages and Linguistics, Jadavpur University(贾达普大学语言与语言学学院)
本研究针对低资源语言印度语,构建了HiLeMe语料库并采用mBERT及Transformer架构,实现了印度语司法判决中的隐喻检测,为低资源语言法律论述的自动化模型发展提供了支撑。
2026-08-25 cs.CL
Investigating the Impact of Cross-lingual Acoustic-Phonetic Similarities on Multilingual Speech Recognition
Liveperson Research Centre(Liveperson研究中心)
多语言自动语音识别(ASR)系统主要受益于低资源语言,但相对于其单语言对应物,在若干语言之间遭受性能降级。有限的研究集中在理解多语言语音识别设置中的语言行为。本文提出了一种新的数据驱动的方法来研究跨语言的声学语音相似性。该技术测量来自各种单语声学模型的后验分布与目标语音信号之间的相似性。深度神经网络被训练为映射网络,以将来自不同声学模型的分布转换为直接可比较的形式。分析发现,重叠音素集的数量不能真实地估计语言的接近程度。熵分析的建议映射网络显示,一种语言与较少的重叠,可以更适合跨语言迁移,因此更有益的多语种设置。最后,利用所提出的后验变换方法融合目标语言的单语模型。与单语对应相比,实现了~8%的相对改进。
2022-07-07 cs.CL eess.AS
AlloVera: A Multilingual Allophone Database
Carnegie Mellon University(卡内基梅隆大学);National Research Council of Canada(加拿大国家研究委员会);CNRS-LACITO(法国国家科学研究中心-语言与文明研究所)
我们介绍了一个新的资源,AlloVera,它提供了映射从218 allophones音素为14种语言。音位是对比的语音单位,音位变体是音位的各种具体表现形式,可以从语音语境中预测。虽然音素表征是语言特定的,但语音表征(以(allo)音素表示)更接近于通用的(独立于语言的)转录。AlloVera允许训练语音识别模型,这些模型以国际音标(IPA)输出音标,而不管输入语言如何。我们表明,一个“通用”的异体字模型,异特龙,与AlloVera建成,优于“通用”的音素模型和语言特定的模型上的语音转录任务。我们探讨这种技术(和相关技术)的濒危和少数民族语言的文件的影响。我们进一步探索其他应用程序,其中AlloVera将适合它的成长,包括语音类型学。
2020-04-17 cs.CL
Mapping Written Words to Spoken Words in a Different Language Using Only Visual Grounding
Politehnica Bucharest(布加勒斯特理工大学);Stellenbosch University(斯坦陵布什大学);Trinity College Dublin(都柏林圣三一学院)
本研究针对低资源场景下的语音数据构建问题,提出一种基于自监督语音表示的对齐方法,可从视觉 grounding 数据中直接学习跨语言词到语音的映射,效果优于以往的注意力模型。
2026-08-28 cs.CL eess.AS
MauBERT: Universal Phonetic Inductive Biases for Few-Shot Acoustic Units Discovery
ENS, PSL Research University, EHESS, CNRS, Paris, France(巴黎高等师范学院,PSL研究大学,法国社会科学高等研究院,法国国家科学研究中心,法国巴黎);Univ. Grenoble Alpes, CNRS, Grenoble INP, GIPSA-lab, Grenoble, France(格勒诺布尔-阿尔卑斯大学,法国国家科学研究中心,格勒诺布尔国立理工学院,GIPSA-lab,法国格勒诺布尔);Meta AI Research, France(Meta AI研究,法国)
MauBERT通过多语言数据学习语音到发音特征的映射,实现跨语言语音表示学习,提升模型在少样本下的语音单元发现能力。
2026-08-26 cs.CL eess.AS
Ensembling of Distilled Models from Multi-task Teachers for Constrained Resource Language Pairs
Microsoft Egypt Development Center(微软埃及开发中心);Microsoft Corporation(微软公司)
本文介绍了我们提交的WMT21共享新闻翻译任务的约束跟踪。我们专注于三个相对较低的资源语言对孟加拉语和印地语,英语和豪萨语,科萨语和祖鲁语。为了克服相对较低的并行数据的限制,我们训练多语言模型使用多任务目标采用并行和单语数据。此外,我们使用反向翻译来增强数据。我们还训练了一个双语模型,结合回翻译和知识蒸馏,然后结合这两个模型使用序列到序列映射。我们看到,与双语基线相比,英语与豪萨语之间的BLEU点相对增益约为70%,孟加拉语与印地语之间的BLEU点相对增益约为25%,科萨语与祖鲁语之间的BLEU点相对增益约为25%。
2021-11-26 cs.CL
DNN-based Speech Synthesis for Indian Languages from ASCII text
University of Edinburgh(爱丁堡大学);Aalto University(阿尔托大学)
印度语言的文本到语音合成在过去十年中取得了很大的进展,部分原因是每年的暴雪挑战。这些系统假设文本是用梵文或达罗毗荼语书写的,这些文字几乎是音素正字法。然而,印度人最常见的计算机交互形式是ASCII写的音译文本。这种文本通常是嘈杂的,同一个词的拼写有许多变化。在本文中,我们评估了三种方法来合成语音从这样的嘈杂的ASCII文本:一个天真的单字的方法,多字的方法,和监督字音素(G2P)的方法。这些方法首先将ASCII文本转换为语音脚本,然后学习深度神经网络来合成语音。我们在暴雪挑战赛的数据集上训练和测试我们的模型,这些数据集使用众包翻译为ASCII。我们对印地语,泰米尔语和泰卢固语的实验表明,我们的模型生成的语音从ASCII文本相比,从本地脚本合成的语音竞争质量。所有随附的音译数据集都发布供公众访问。
2016-08-18 cs.CL
Almost-unsupervised Speech Recognition with Close-to-zero Resource Based on Phonetic Structures Learned from Very Small Unpaired Speech and Text Data
National Taiwan University(国立台湾大学)
对于世界上95%以上的低资源语言来说,为训练ASR系统生成大量带注释的语音数据仍然很困难。然而,我们注意到,人类婴儿开始学习语言的声音,少量的范例词没有听到大量的数据。我们在本文中开始在这个方向上的一些初步工作。音频Word2Vec用于获得携带从信号中提取的语音信息的口语单词的嵌入。一个自动编码器被用来生成嵌入的文本单词的发音特征的基础上的音素序列。这两套嵌入口语和文本的话描述了相似的语音结构之间的话在各自的潜在空间。从音频嵌入到文本嵌入的映射关系实际上给出了单词级ASR。这可以通过在嵌入空间中对齐少量的口语单词和相应的文本单词来学习。在最初的实验中,只有200个注释的口语单词和一个小时的语音数据没有注释,给出了27.5%的单词准确率,这是一个很低的起点。
2018-10-30 cs.CL cs.SD eess.AS
An Unsupervised Approach for Mapping between Vector Spaces
Inshorts(Inshorts公司)
我们提出了一种独立于语言的,无监督的方法转换词嵌入从源语言到目标语言使用的转换矩阵。我们的模型处理的问题,这是世界上许多语言所面临的数据稀缺,并产生改进的词嵌入的词在目标语言中依赖于转换嵌入的源语言。我们最初评估我们的方法通过词相似性任务对一个类似的语言对-印地语作为源和乌尔都语作为目标语言,而我们也评估我们的方法对法语和德语作为目标语言和英语作为源语言。我们的方法改善了当前最先进的结果-法语为13%,德语为19%。对于乌尔都语,我们看到比我们最初的基线分数增加了16%。我们进一步探讨了我们的方法的前景,通过将其应用于同一语言的多个模型,并在两个模型之间转移单词,从而解决了模型中丢失单词的问题。我们在单词相似性和单词类比任务中对此进行评估。
2017-11-20 cs.CL
Phone Segmentation and Recognition through Phonological Activation Mapping
CMU(卡内基梅隆大学);UT Austin(德克萨斯大学奥斯汀分校);UTokyo(东京大学);UBC(不列颠哥伦比亚大学)
研究音素分割与识别,利用基于S3M的音系激活映射(SPAM),引入识别和分割两个轻量级预测头,只需少量语音转录,能推广到未见音素,在多数据集上取得强分割和识别性能。
2026-10-14 cs.AI cs.CL cs.LG
BanglaIPA: Towards Robust Text-to-IPA Transcription with Contextual Rewriting in Bengali
Shahjalal University of Science and Technology(沙赫贾尔大学科学与技术学院);University of Maryland, Baltimore County, USA(马里兰大学巴尔的摩县分校)
BanglaIPA通过整合字符词汇与词级对齐,实现了对孟加拉语标准语言和方言文本的稳健IPA转录,提升了推理效率并降低了词错误率。
2026-02-04 cs.CL
UniGlyph: A Seven-Segment Script for Universal Language Representation
St. Xavier's Catholic College of Engineering(圣泽维尔天主教工程学院);Loyola College(洛约拉学院);University of Madras(马德拉斯大学);Bell Matriculation Higher Secondary School(贝尔预科高中);St. Xavier’s College(圣泽维尔学院);Manonmaniyam Sundaranar University(马农马尼亚姆·孙达拉纳尔大学)
本文提出了人造语言UniGlyph,通过基于七段码字符的文字系统实现通用音译,以解决国际音标和传统字符集的缺陷,准确表示跨语言语音并促进AI等多领域的跨语言交流。
2024-10-11 cs.CL cs.HC cs.SC
Strategies in Transfer Learning for Low-Resource Speech Synthesis: Phone Mapping, Features Input, and Source Language Selection
University of Groningen(格罗宁根大学);Fryske Akademy/Mercator Research Centre(弗里斯兰学院/墨卡托研究中心);ReadSpeaker(ReadSpeaker公司)
本研究比较了音素映射和音系特征输入在低资源TTS迁移学习中的效果,发现特征输入更优,且ASPF在选择源语言时有效,而语系距离无效。
2023-06-21 cs.CL eess.AS
Learning Cross-lingual Mappings for Data Augmentation to Improve Low-Resource Speech Recognition
University of Sheffield(谢菲尔德大学);Liveperson Research Centre(Liveperson研究中心)
针对低资源语言语音识别数据稀缺问题,提出可学习跨语言映射方法,无需平行数据即可实现源语言转写并用于数据增强,相对单语言基线模型最高提升5%性能。
2023-06-14 cs.CL cs.SD eess.AS
End-to-end Text-to-speech for Low-resource Languages by Cross-Lingual Transfer Learning
National Taiwan University(台湾大学)
端到端的文本到语音转换(TTS)在处理大量成对的文本加语音数据方面取得了巨大的成功。然而,对于世界上至少95%的语言来说,费力的数据汇集仍然是困难的,这阻碍了不同语言的TTS的发展。在本文中,我们的目标是建立这样的低资源(目标)语言,只有非常有限的配对数据可用的TTS系统。我们表明,这样的文语转换系统可以有效地构建从高资源(源)语言的知识。由于输入空间不匹配,在源语言上训练的模型不能直接应用于目标语言,我们提出了一种方法来学习源和目标语言符号之间的映射。受益于这种学习的映射,发音信息可以在整个传输过程中被保留。初步实验表明,我们只需要大约15分钟的配对数据,以获得一个相对较好的TTS系统。此外,分析研究表明,自动发现的映射与语音专业知识相关。
2019-07-02 cs.CL cs.LG cs.SD
Character-Level Bangla Text-to-IPA Transcription Using Transformer Architecture with Sequence Alignment
Shahjalal University of Science and Technology(沙赫贾拉尔科技大学)
本研究针对孟加拉语IPA转写需求,提出轻量字符级Transformer序列到序列模型,结合人工映射处理标点与外来语,在ITVerse 2023挑战赛中以0.10582的词错误率夺冠。
2023-11-07 cs.CL
RoundTripOCR: A Data Generation Technique for Enhancing Post-OCR Error Correction in Low-Resource Devanagari Languages
Indian Institute of Technology Bombay(印度理工学院孟买分校)
针对低资源天城文语言OCR后纠错数据稀缺问题,提出RoundTripOCR合成数据生成技术,并发布六种语言数据集,利用预训练变换器模型将OCR错误视为误译进行纠正。
2025-02-23 cs.CL cs.CV
Classifying Graphemes in English Words Through the Application of a Fuzzy Inference System
School of Computer Science University of Hull Hull, UK
本文提出用模糊推理系统将英语单词拆分为字素,以应对字素划分的非二值规则,并在50.18%的准确率和93.51%的±1误差范围内完成预测,同时开发基于IPA映射的基线方法进行比较。
2024-04-02 cs.CL cs.LO
Integrating Human Linguistic Insights into AI: Theory-Driven Representation for Multilingual Text-to-Speech
Newcastle University(纽卡斯尔大学);University of Oxford(牛津大学);Tencent(腾讯);Shengrurenxin Ltd.(胜瑞仁信有限公司)
该研究将理论驱动的FUL特征融入改进后的FastSpeech架构,仅需少量训练数据即可实现多语种TTS,支持混码合成,为低资源语言TTS提供了高效可扩展的方案。
2026-08-07 cs.CL cs.SD eess.AS