ASR Bundestag: A Large-Scale political debate dataset in German
University of Applied Sciences Hof（霍夫应用科学大学）
我们介绍了ASR Bundestag，这是一个用于德语自动语音识别的数据集，包括610小时的用于监督训练的对齐音频-转录对以及1，038小时的用于自监督学习的未标记音频片段，这些音频片段基于原始音频数据和德国议会全体会议和委员会会议的转录。此外，我们还讨论了用于自动创建语音数据集的方法，并基于对预训练的最新模型的评估和微调来评估所产生的数据集的质量。我们公开数据集，包括所有子集。
2023-02-12 cs.AI cs.CL cs.LG
Swiss Parliaments Corpus Re-Imagined (SPC_R): Enhanced Transcription with RAG-based Correction and Predicted BLEU
本文通过结合高精度ASR、基于LLM的校正和数据驱动过滤，提升瑞士议会语料库的转录质量，实现6点BLEU提升。
2026-03-12 cs.CL
Analyzing German Parliamentary Speeches: A Machine Learning Approach for Topic and Sentiment Classification
Leipzig University（莱比锡大学）；TU Dresden（德累斯顿技术大学）；University of Regensburg（雷根斯堡大学）
本研究利用机器学习模型分析德国联邦议院约28,000篇演讲，实现高精度主题与情感分类，揭示政党角色转变对话语风格的影响。
2025-08-05 cs.CL cs.LG
2nd Swiss German Speech to Standard German Text Shared Task at SwissText 2022
Institute for Data Science（数据科学研究所）；University of Applied Sciences and Arts Northwestern Switzerland（瑞士西北应用科学与艺术大学）
我们在SwissText 2022上展示了第二届瑞士德语演讲的结果和发现。参与者被要求建立一个高级瑞士德语演讲标准德语文本系统，专门针对格劳宾登方言。其目的是最大限度地提高BLEU分数的Grisons语音测试集。3支队伍参加了比赛，表现最好的系统获得了70.1的BLEU分数。
2023-01-17 cs.CL
German Parliamentary Corpus (GerParCor)
Goethe University Frankfurt（法兰克福歌德大学）
议会辩论是一个巨大的、部分尚未开发的、可供公众查阅的文本宝库。在德语区，国家和联邦一级覆盖所有德语议会的统一可访问和注释的语料库存在一定的不足。为了解决这个问题，我们引入了德国议会语料库（GerParCor）。GerParCor是一个特定类型的语料库（主要是历史）德语议会协议，来自三个世纪和四个国家，包括州和联邦级别的数据。此外，GerParCor还包含扫描协议的转换，特别是通过基于Tesseract的OCR过程转换的Fraktur协议。所有协议都通过spaCy3的NLP管道进行预处理，并自动使用关于其会话日期的元数据进行注释。GerParCor以UIMA项目的XMI格式提供。通过这种方式，GerParCor可以用作政治传播领域的大型历史文本语料库，用于NLP中的各种任务。
2022-04-21 cs.CL
SwissDial: Parallel Multidialectal Corpus of Spoken Swiss German
ETH Z\" u rich, Department of Computer Science, Switzerland
瑞士德语是一个方言连续体，其母语习得的方言与语言的正式变体显著不同。这些方言主要用于口头交流，没有标准的正字法。这导致了注释数据集的缺乏，使得许多NLP方法的使用变得不可行。在本文中，我们介绍了第一个注释平行语料库的瑞士德语口语跨越8个主要方言，加上标准德语参考。我们的目标是创建并提供一个基本的数据集，用于在瑞士德语中使用数据驱动的NLP应用程序。我们详细介绍了我们的数据汇集过程，并通过与最近的语音合成神经模型进行实验来验证我们的语料库的质量。
2021-03-21 cs.CL
Modular Adaptation of Multilingual Encoders to Written Swiss German Dialect
University of Zurich（苏黎世大学）
针对书面瑞士德语数据稀缺问题，本文通过持续预训练和模块化适配器适配多语言编码器，证明适配器可达到单体适配97.5%的性能，并发现字符级模型最适合跨方言句子检索。
2024-01-25 cs.CL
SwissGPC v1.0 -- The Swiss German Podcasts Corpus
Centre for Artificial Intelligence（人工智能研究中心）；Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学）
本文介绍SwissGPC v1.0，首个中大规模自发瑞士德语语音语料库，含约5000小时语音，覆盖七大方言区，用于ASR、TTS等研究。
2025-09-24 cs.CL
Dialect Transfer for Swiss German Speech Translation
University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学与艺术大学）；Zurich University of Applied Sciences（苏黎世应用科学大学）
本研究探讨瑞士德语语音翻译中方言多样性与语言差异带来的挑战，通过训练模型分析方言纳入与排除的影响，证实了语言学假设。
2023-10-13 cs.AI cs.CL
Machine Translation of Low-Resource Spoken Dialects: Strategies for Normalizing Swiss German
Idiap Research Institute（IDIAP研究所）
这项工作的目标是设计一个机器翻译（MT）系统的低资源家庭的方言，统称为瑞士德语，这是广泛使用的瑞士，但很少写。我们收集了大量的并行书面资源，总共约60k字。此外，我们还为瑞士德语确定了其他几个有前途的数据来源。然后，我们设计并比较了三种策略，以正常化瑞士德国的输入，以解决区域多样性。我们发现，基于字符的神经MT是文本规范化的最佳解决方案。结合基于短语的统计机器翻译，我们的解决方案在从伯尔尼方言翻译时达到了36%的BLEU分数。然而，随着测试数据在地理上和局部上与训练数据的距离越来越远，该值会减小。这些资源和规范化技术是迈向瑞士德语方言完整MT的第一步。
2018-02-06 cs.CL
Speaker attribution in German parliamentary debates with QLoRA-adapted large language models
FH Aachen University of Applied Sciences（亚琛应用技术大学）；Utrecht University（乌得勒支大学）
本研究利用QLoRA微调Llama 2模型，在德国议会辩论中实现自动说话人归因，并在GermEval 2023任务中取得竞争性表现，为政治话语计算分析提供了新途径。
2024-03-01 cs.CL
SDS-200: A Swiss German Speech to Standard German Text Corpus
University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学与艺术大学）；Zurich University of Applied Sciences（苏黎世应用科学大学）；SpinningBytes AG（SpinningBytes公司）
我们提出SDS-200，语料库的瑞士德语方言语音与标准德语文本翻译，注释方言，年龄和性别信息的扬声器。该数据集允许训练语音翻译、方言识别和语音合成系统等。这些数据是使用向公众开放的网络记录工具收集的。每个参与者都得到了一段标准德语的文本，并被要求在录制之前将其翻译成瑞士德语方言。为了提高语料库质量，其他参与者对录音进行了验证。这些数据由大约4000个不同的说话者的200小时的语音组成，涵盖了瑞士-德国方言的大部分。我们发布了SDS-200以及基线语音翻译模型，该模型在SDS-200测试集上实现了30.3的单词出错率（WER）和53.1的BLEU得分。此外，我们使用SDS-200来微调预训练的XLS-R模型，实现21.6 WER和64.0 BLEU。
2022-05-19 cs.AI cs.CL
Automatic Creation of Text Corpora for Low-Resource Languages from the Internet: The Case of Swiss German
iCoSys Institute, University of Applied Sciences and Arts Western Switzerland（瑞士西部应用科学与艺术大学iCoSys研究所）；University of Fribourg（弗里堡大学）；Swisscom AG（瑞士电信公司）
本文介绍了SwissCrawl，最大的瑞士德语文本语料库。它由50多万个句子组成，是使用定制的网络抓取工具生成的，该工具也可以应用于其他低资源语言。该方法演示了如何免费提供的网页可以用来构建全面的文本语料库，这是自然语言处理的根本重要性。在实验评估中，我们表明，使用新的语料库导致语言建模任务的显着改善。为了捕获新内容，我们的方法将持续运行，以随着时间的推移不断增加语料库。
2020-06-16 cs.CL
Voice Adaptation for Swiss German
Centre for Artificial Intelligence（人工智能中心）；ZHAW
本研究通过预处理约5000小时瑞士播客数据并微调XTTSv2模型，实现了标准德语文本到瑞士德语方言语音的转换，在人工和自动评估中表现良好，推进了语音克隆技术在低资源语言上的应用。
2025-05-28 cs.CL cs.SD eess.AS
Text-to-Speech Pipeline for Swiss German -- A comparison
University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学与艺术大学）；Zurich University of Applied Sciences（苏黎世应用科学大学）
本文比较多种TTS模型在三个瑞士德语语料库上的表现，发现VITS效果最好，并提出利用训练好的声码器GAN判别器识别人声与合成语音的新评估方法。
2023-05-31 cs.CL cs.SD eess.AS
SpeakGer: A meta-data enriched speech corpus of German state and federal parliaments
TU Dortmund University（多特蒙德工业大学）
本文构建了涵盖1947-2023年德国16个州议会及联邦议院、共1080余万篇演讲的SpeakGer数据集，并附带政党、年龄、选区及听众反应等丰富元数据，以支持政治学领域的细粒度定量分析。
2024-10-23 cs.CL
Swiss German Speech to Text system evaluation
University of Applied Sciences and Arts Northwestern Switzerland（瑞士西北应用科学与艺术大学）
我们提出了一个深入的评估四个市售的语音到文本（STT）系统瑞士德语。这些系统是匿名的，在本报告中称为系统a-d。我们将这四个系统与我们的STT模型（以下简称为FHNW）进行比较，并详细介绍了我们如何训练我们的模型。为了评估模型，我们使用了来自不同领域的两个STT数据集。瑞士议会语料库（SPC）测试集和新闻领域的私人数据集，在七个方言地区均匀分布。我们提供了一个详细的错误分析，以检测三个系统的优点和缺点。这种分析受到两个测试集的特性的限制。我们的模型在两个数据集上都获得了最高的双语评估替补（BLEU）。在SPC测试集上，我们获得了0.607的BLEU分数，而最好的商业系统达到了0.509的BLEU分数。在我们的私人测试集上，我们获得了0.722的BLEU分数，最好的商业系统的BLEU分数为0.568。
2022-11-14 cs.AI cs.CL
Textless Speech-to-Speech Translation With Limited Parallel Data
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；New York University（纽约大学）
提出PFB框架，仅需数十小时平行语音数据即可训练文本无关的语音到语音翻译模型，通过预训练、微调和反向翻译，在多个语言对和领域上达到接近高资源基线的性能。
2024-11-06 cs.CL eess.AS
Combining Deep Learning and String Kernels for the Localization of Swiss German Tweets
University of Bucharest（布加勒斯特大学）；Romanian Young Academy（罗马尼亚青年科学院）
在这项工作中，我们介绍了UnibucKernel团队在解决2020年VarDial评估活动中的社交媒体多样性地理定位任务时提出的方法。我们只处理第二个子任务，它的目标是由近3万瑞士德语约德尔组成的数据集。方言识别任务是准确预测测试样本的纬度和经度。我们将该任务视为一个双重回归问题，采用各种机器学习方法来预测纬度和经度。从简单的回归模型（如支持向量回归）到深度神经网络（如长短期记忆网络和字符级卷积神经网络），最后到基于元学习器的集成模型（如XGBoost），我们的兴趣集中在从几个不同的角度来处理问题，试图最大限度地减少预测误差。考虑到同样的目标，我们还考虑了许多类型的特征，从高级特征（如BERT嵌入）到低级特征（如字符n-gram），这些特征在方言识别中具有良好的效果。我们的实证结果表明，基于字符串内核的手工模型优于深度学习方法。尽管如此，我们最好的性能是由集成模型提供的，该模型结合了手工制作和深度学习模型。
2020-10-07 cs.CL
UnibucKernel: Geolocating Swiss German Jodels Using Ensemble Learning
University of Bucharest（布加勒斯特大学）；Romanian Young Academy（罗马尼亚青年科学院）
在这项工作中，我们描述了我们解决2021年VarDial评估活动中的社交媒体多样性地理定位任务的方法。我们重点关注第二个子任务，该任务基于由大约30，000个瑞士德语约德尔组成的数据集。方言识别任务是准确预测测试样本的纬度和经度。我们将任务框架为双重回归问题，采用XGBoost元学习器，结合各种机器学习方法来预测纬度和经度。我们集成中包含的模型范围从简单的回归技术（如支持向量回归）到深度神经模型（如混合神经网络和神经Transformer）。为了最大限度地减少预测误差，我们从几个不同的角度来处理这个问题，并考虑各种类型的功能，从低级字符n-gram到高级BERT嵌入。结合上述方法的力量产生的XGBoost集合在测试数据上实现了23.6公里的中值距离，这使我们在排名中排名第三，与第一和第二名的提交分别相差6.05公里和2.9公里。
2021-02-26 cs.CL
Advancing STT for Low-Resource Real-World Speech
Institute of Computer Science, Zurich University of Applied Sciences（计算机科学研究所，应用科学大学）
本文构建包含300小时真实长音频的 SRB-300 瑞士德语语料库，并微调多个 OpenAI Whisper 模型，显著降低 WER、提升 BLEU，增强低资源方言语音转写能力。
2025-06-10 cs.CL cs.HC
Swiss-Judgment-Prediction: A Multilingual Legal Judgment Prediction Benchmark
University of Bern（伯尔尼大学）；University of Copenhagen（哥本哈根大学）
在许多法域，法院工作量过大导致大量拖延。合适的人工智能预测模型可以帮助法律专业人员开展工作，从而增强和加快这一过程。到目前为止，法律判决预测（LJP）数据集已经以英语，法语和中文发布。我们公开发布了瑞士联邦最高法院（FSCS）的85，000个案例的多语言（德语，法语和意大利语）历时（2000-2020）语料库。我们评估了最先进的基于BERT的方法，包括克服BERT输入（文本）长度限制（最多512个令牌）的BERT的两个变体。分层BERT具有最好的性能（约68-70% Macro-F1-Score（德语和法语）。此外，我们还研究了几个因素（原产地，出版年份，文本长度，法律区域）如何影响性能。我们发布了基准数据集和代码，以加速未来的研究并确保可重复性。
2021-10-02 cs.CL
20min-XD: A Comparable Corpus of Swiss News Articles
Department of Computational Linguistics, University of Zurich（计算语言学系，苏黎世大学）；Minuten (TX Group)（20分钟（TX集团））
本文提出20min-XD，一个源自瑞士新闻媒体、包含约15,000对法德双语文章的文档级可比语料库，基于语义相似度自动对齐，并公开数据集与代码以支持多种NLP应用。
2025-04-30 cs.CL
StatBot.Swiss: Bilingual Open Data Exploration in Natural Language
Swiss Data Science Center（瑞士数据科学中心）；Federal Statistical Office（联邦统计办公室）；Zurich University of Applied Sciences（苏黎世应用科技大学）
本文发布首个英德双语Text-to-SQL基准StatBot.Swiss，包含455个自然语言/SQL配对和35个数据库，并评估GPT-3.5-Turbo等LLMs，发现其在双语SQL生成上泛化能力不足。
2024-06-06 cs.CL
Electoral Programs of German Parties 2021: A Computational Analysis Of Their Comprehensibility and Likeability Based On SentiArt
Freie Universität Berlin（柏林自由大学）
德国六个政党在2021年议会选举前发布的选举计划使用最先进的计算工具进行定量叙述，主题和情感分析。我们比较了不同的方法来计算程序的文本相似度，Jaccard Bag相似度，潜在语义分析，doc 2 vec和sBERT，从第1种方法到第4种方法，代表性和计算复杂性增加。一个新的相似性度量的整个文件来自Fowlkes马洛得分适用于kmeans聚类的sBERT转换的句子。使用通过SentiArt（Jacobs，2019）计算的文本可读性和情感潜力的新指数，我们的数据揭示了程序在长度，主要思想，可理解性，可爱性和语义复杂性方面的相似性和差异。除此之外，他们揭示了社民党和基民盟的计划有最好的机会被理解和喜欢-所有其他事情都是平等的-他们提出了一个重要的问题，即哪种相似性度量是比较文本的最佳选择，如选举计划，这必然会共享很多单词。虽然此类分析无法取代定性分析或对文本的深入阅读，但它们提供了可以在实证研究中验证的预测，并可能成为改变未来选举计划方面的动力，可能使其更容易理解和/或更受欢迎。
2021-09-26 cs.CL cs.LG
Benchmarking NLP-supported Language Sample Analysis for Swiss Children's Speech
本文通过自然语言处理方法分析儿童口语样本，旨在提高语言障碍诊断效率，采用本地部署的NLP方法进行半自动语言样本分析。
2026-03-30 cs.AI cs.CL
Fine-tuning Whisper on Low-Resource Languages for Real-World Applications
University of Applied Sciences and Arts Northwestern Switzerland（应用科学与艺术西北瑞士大学）
本文提出一种将句子级数据转换为长格式语料库的数据生成方法，用于微调Whisper模型，以提升低资源语言（以瑞士德语为例）的语音转文本性能，并实现更优的BLEU分数和实际应用效果。
2025-04-22 cs.CL eess.AS
Effects of Layer Freezing on Transferring a Speech Recognition System to Under-resourced Languages
University of Duisburg-Essen（杜伊斯堡-埃森大学）
在本文中，我们研究了自动语音识别领域中层冻结对模型转移有效性的影响。我们在德语和瑞士德语语音数据集上使用Mozilla的DeepSpeech架构进行了实验，并比较了从头开始训练与传输预训练模型的结果。我们比较了不同的层冻结方案，发现即使只冻结一层也能显著改善结果。
2022-10-04 cs.CL
Evaluating the fully automatic multi-language translation of the Swiss avalanche bulletin
WSL Institute for Snow and Avalanche Research SLF（WSL雪与雪崩研究所SLF）；ETH Zurich（苏黎世联邦理工学院）；Universität Zürich（苏黎世大学）
瑞士雪崩公告每天用四种语言发布两次。由于缺乏可用于手动翻译的时间，基于预定义短语的目录和这些短语如何组合以产生句子的预定规则，采用全自动翻译系统。该系统能够自动将这些句子从德语翻译成目标语言法语、意大利语和英语，而无需随后的校对或更正。我们的短语目录仅限于一个小的子语言。预计每日翻译费用的减少将在几年内抵消最初的开发费用。经过两个冬季的运作，我们在这里评估所产生的文本的质量的基础上进行评估，其中参与者从两个来源，短语目录与手工编写和翻译的文本的真实危险描述的评价。平均识别率为55%，用户几乎无法区分这两种类型的文本，并且对它们的语言质量给出类似的评级。总的来说，目录系统的输出可以被认为几乎等同于雪崩预报员编写的文本，然后由专业翻译人员手动翻译。此外，预报员宣布，该系统在有限的时间内以足够的准确度捕捉到了所有相关情况。
2014-05-23 cs.CL
Fully automatic multi-language translation with a catalogue of phrases - successful employment for the Swiss avalanche bulletin
WSL Institute for Snow and Avalanche Research SLF（WSL雪与雪崩研究所SLF）；VU University Amsterdam（阿姆斯特丹自由大学）
瑞士雪崩公告每天用四种语言发布两次。由于缺乏可用于手动翻译的时间，基于预定义短语的目录和这些短语如何组合以产生句子的预定规则，采用全自动翻译系统。由于该短语目录仅限于小的子语言，因此该系统能够自动地将这些句子从德语翻译成目标语言法语、意大利语和英语，而无需随后的校对或校正。已经运作了两个冬季，我们在这里评估的质量产生的文本的基础上，两个不同的调查，参与者从两个来源，短语与手动编写和翻译文本的目录，从真正的雪崩公告的文本。平均识别率为55%，用户很难区分这两种类型的文本，并且对它们的语言质量给出非常相似的评级。总的来说，目录系统的输出可以被认为几乎等同于雪崩预报员编写的文本，然后由专业翻译人员手动翻译。此外，预报员宣布，该系统以足够的准确度捕捉到了所有相关情况。预报员的工作量并没有随着目录的引入而改变：他们不再需要仔细检查手动翻译的文本，从而弥补了寻找匹配句子的额外时间。预计每日翻译费用的减少将在几年内抵消最初的开发费用。
2015-09-23 cs.CL
Improving Metrics for Speech Translation
Institute for Data Science（数据科学研究所）
提出Parallel Paraphrasing增强方法，利用对参考和假设译文的自动改写，有效解决了单一参考下语音翻译指标（如WER、CER、BLEU）的误导问题，并在两个新瑞士德语数据集上显著提升了常用指标与人类质量感知的相关性。
2023-05-22 cs.AI cs.CL
Clean Text and Full-Body Transformer: Microsoft's Submission to the WMT22 Shared Task on Sign Language Translation
Microsoft（微软）
本文介绍了微软在WMT 2022上提交的关于手语翻译的第一个共享任务，这是一个解决瑞士德语手语的手语到口语翻译的公开竞赛。由于数据稀缺和目标端前所未有的超过20k单词的词汇量，该任务非常具有挑战性。此外，数据来自真实的广播新闻，包括原生签名，覆盖长视频场景。受动作识别最新进展的启发，我们通过从预训练的I3D模型中提取特征并应用标准的Transformer网络来整合全身信息。通过对目标文本进行仔细的数据清理，进一步提高了系统的准确性。我们在测试集和开发集上分别获得了0.6和0.78的BLEU分数，这是共享任务参与者中的最佳分数。在人类评价中，提交也达到了第一位。通过应用从唇读模型中提取的特征，BLEU分数在开发集上进一步提高到1.08。
2022-10-24 cs.CL cs.CV
"You made me feel this way": Investigating Partners' Influence in Predicting Emotions in Couples' Conflict Interactions using Speech Data
ETH Zurich（苏黎世联邦理工学院）；University of Lausanne（洛桑大学）；University of Zurich（苏黎世大学）；University of St. Gallen（圣加仑大学）
浪漫的伴侣在冲突中如何相互作用会影响他们在互动结束时的感受，并预测伴侣是否会长期在一起。因此，了解每个伴侣的情绪是很重要的。然而，目前使用的方法包括自我报告，这是繁重的，因此限制了这种数据汇集的频率。自动情绪预测可以解决这一挑战。心理学研究表明，在冲突互动中，伙伴的行为会影响彼此的情绪，因此，伙伴双方的行为可以被认为是更好地预测每个伙伴的情绪。然而，在情感预测性能方面，这样做与只使用每个合作伙伴自己的行为相比如何，还有待研究。在这项工作中，我们使用BERT来提取语言特征（即，合作伙伴说了什么）和openSMILE来提取非语言特征（即，他们是如何说的）从一个数据集的368德语瑞士夫妇（N = 736个人）谁是录像在8分钟的冲突互动在实验室。基于这些特征，我们训练了机器学习模型来预测伴侣在冲突互动后的感受是积极还是消极。我们的研究结果表明，包括其他合作伙伴的行为提高了预测性能。此外，对于男性来说，考虑他们的女性伴侣如何说话是最重要的，而对于女性来说，考虑他们的男性伴侣说了什么是获得更好的预测性能最重要的。这项工作是基于双方的行为自动识别每个伴侣的情绪的一步，这将使研究，治疗和现实世界中的夫妻更好地了解。
2021-09-18 cs.CL
