普什图语通用语音：为 6000 万说话者的低资源语言构建第一个开放语音语料库

我们推出普什图语通用语音语料库，这是普什图语的第一个大规模、公开许可的语音资源，普什图语有超过 6000 万母语人士，但开放语音技术基本上不存在。通过 2022 年至 2025 年的社区努力，语料库从 1.5 小时和 5 名贡献者增长到 147 小时的总时间和 1,483 名独特的发言者，涉及 10 个 Mozilla Common Voice 版本 (CV14-CV23)。 CV17 和 CV18 期间，演讲者参与度增加了约 108 倍，恰逢美国之音普什图语广播活动。我们描述了完整的方法：界面本地化、基于维基百科的自动过滤句子提取、针对四个最常丢失的普什图语字符的语音目标贡献，以及多渠道社区外展。 MCV23 包含 13 个内容域的 107,781 个剪辑（60,337 个已验证；82.33 个已验证小时）。 MCV20 上的 微调 Whisper Base 在 MCV20 测试分割上产生了 13.4% 的 WER，而已发布的 Whisper Base 零样本 WER 在普什图语上为 99.0%。