ترجمه فارسی مقاله مجموعه داده گفتار غیررسمی خود به خودی برای ترمیم نگارشی

چکیده

Presently, punctuation restoration models are evaluated almost solely on well-structured, scripted corpora. On the other hand, real-world ASR systems and post-processing pipelines typically apply towards spontaneous speech with significant irregularities, stutters, and deviations from perfect grammar. To address this discrepancy, we introduce SponSpeech, a punctuation restoration dataset derived from informal speech sources, which includes punctuation and casing information. In addition to publicly releasing the dataset, we contribute a filtering pipeline that can be used to generate more data. Our filtering pipeline examines the quality of both speech audio and transcription text. We also carefully construct a “challenging” test set, aimed at evaluating models’ ability to leverage audio information to predict otherwise grammatically ambiguous punctuation. SponSpeech is available at https://github.com/GitHubAccountAnonymous/PR, along with all code for dataset building and model runs.

چکیده به فارسی (ترجمه ماشینی)

در حال حاضر ، مدل های ترمیم نگارشی تقریباً فقط در شرکت های خوب ساختار یافته و ساختار یافته ارزیابی می شوند.از طرف دیگر ، سیستم های ASR در دنیای واقعی و خطوط لوله پس از پردازش به طور معمول در مورد گفتار خود به خود با بی نظمی ، لکنت ها و انحرافات از گرامر کامل اعمال می شوند.برای پرداختن به این اختلاف ، ما Sponspeech را معرفی می کنیم ، یک مجموعه داده ترمیم نگارشی که از منابع گفتاری غیررسمی حاصل می شود ، که شامل نگارشی و اطلاعات پوشش است.علاوه بر انتشار عمومی مجموعه داده ها ، ما یک خط لوله فیلتر را ارائه می دهیم که می تواند برای تولید داده های بیشتر استفاده شود.خط لوله فیلتر ما به بررسی کیفیت هر دو متن صوتی گفتار و رونویسی می پردازد.ما همچنین یک مجموعه آزمایش “چالش برانگیز” را با هدف ارزیابی توانایی مدل ها در بهره گیری از اطلاعات صوتی برای پیش بینی نگارشی در غیر این صورت گرامری مبهم ایجاد می کنیم. Sponspeech در https://github.com/githubaccountanonous/pr ، همراه با همه کد برایساختمان و مدل مجموعه داده ها اجرا می شود.